大模型 Temperature 与 Top_p/Top_k 参数详解 (opens in new tab)

这两个参数都用于控制大模型输出的随机性和多样性，是调整模型行为最重要的超参数，但机制不同。简单理解：Temperature（温度）：控制概率分布的“陡峭”程度，影响整体随机性。Top-p（也称核采样）：限制候选词的累积概率范围，动态过滤掉极不可能的选项🔥 Temperature（温度）作用：控制输出分布的"尖锐度"模型在生成每个 token 时，会先计算所有候选词的概率分布。Temperature 会对这个分布做如下变换：P'(word) ∝ P(word)^(1/T)Temperature 值 / 效果 / 适用场景T = 0（或极低） — 始终选概率最高的词，输出完全确定 · 代码生成、数学计算、需要确定性答案的任务T = 0.1~0.3 — 高度保守，几乎总是选最优解 · 事实问答、信息抽取、严格格式输出T = 0.5~0.7 — 平衡随机性，主流默认值 · 通用对话、写作辅助、大多数场景T = 0.8~1.0 — 明显增加多样性 · 创意写作、头脑风暴、角色扮演T > 1.0 — 高度随机，可能产生无意义内容 · 艺术创作、探索性实验（不推荐日常使用）本质： 低温度让分布...