随机采样
Sampling
学到 会用 就够：能亲手用起来
你可能会说
“我用同一提示给同一篇论文做摘要，为什么两次得到的文字不一样？”
生成采样按照候选分布随机选择词元，使同一输入可能得到不同输出。它可以增加表达与方案多样性，但随机选择不等于在事实、价值或社会总体中做了科学抽样。
使用 AI
科研里的例子
让模型提出十个研究问题可拓宽想法，再按证据与可识别性筛选；十次重复同一结论也不是十份独立证据。
模型给出下一词元分布后，随机数参与选取，后续步骤再基于刚生成的内容继续。温度、截断策略与种子都会改变结果。多次采样可帮助观察系统变异，但候选通常共享同一模型偏差，并不是相互独立的专家证据。研究中若利用采样做探索，应预先确定保留和评价规则，避免只展示最好案例；若需要一致标签，则应另设计格式约束与稳定性检查。
判断
亲手检查一次
用固定材料采样十次，先制定核查规则再分类错误，统计一致与变化之处；观察变化是否真的带来更好结果。
它做不到的
模型生成采样与从人口抽样不同；不能用输出频率直接估计现实事件概率，也不能把多数答案当作已证实事实。
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。
来源
- Holtzman 等 · The Curious Case of Neural Text Degeneration2026-11-06 核对
- Hugging Face · How to generate text2026-11-06 核对
卡片底稿由 AI 协助整理，经过核对；发现错误请告诉我。