贪心解码
Greedy Decoding
学到 会用 就够：能亲手用起来
你可能会说
“我让助手写文献摘要，每一步都挑概率最大的词，整段就会最好吗？”
贪心解码每一步选择当前概率最高的候选，直到停止条件满足。它通常更确定、计算简单，但局部最好不保证整段概率最高，更不保证内容真实或任务质量最好。
使用 AI
科研里的例子
用贪心方式输出政策类别能减少标签措辞变化，但若模型把某类概念学错，每次都会稳定地给出同一个错标签。
词元选择会改变后续分布，当前略低概率的词可能引出整体更好的序列，而贪心不会回头比较。它适合需要可重复输出的某些任务，却可能出现重复、僵化或过早结束。即使同一环境下结果稳定，也只能说明决策路径稳定，不能消除模型偏差。研究者应把确定性当作运行属性，另以人工或任务规则检查正确性，并记录停止条件与输出长度限制。
判断
亲手检查一次
构造两层概率树：首步最大候选后续概率很低，另一首步略低却后续很高，手算整条路径乘积比较。
它做不到的
贪心不等于最优文本搜索；不同硬件或实现仍可能影响极近分数处的选择，不能承诺跨环境逐字一致。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。