温度
Temperature
学到 会用 就够：能亲手用起来
你可能会说
“我担心文献助手编造事实，把温度调到很低就能解决吗？”
温度调整候选词元分布的尖锐程度：较低时更集中，较高时更分散。它主要控制生成选择的随机性，不是事实准确率旋钮，也不能把未知知识变成已知。
使用 AI
科研里的例子
低温输出政策摘要仍可能每次都编同一个年份；需要对照原文核日期，而非因为回答一致就接受。
常见做法把词元分数除以正温度后再做 softmax。分数排序通常不变，但候选间概率差距改变。温度趋低时更偏最大值，零温度往往由实现作为特殊的确定性模式处理，不能直接代入除法。其效果还与 top-p、top-k 和模型任务有关。科研流程应在固定模型下逐项比较，既看稳定性也看事实支持，防止稳定复现错误被误认为质量改善。
判断
亲手检查一次
给三项固定分数，用温度 0.5、1、2 分别计算 softmax，再核概率变化；另用真实材料比较多次输出的错误。
它做不到的
不同产品不一定开放或以同样方式实现温度；“温度高更有创造性”只是粗略描述，不能当成通用因果定律。
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
- Hugging Face · GenerationConfig2026-11-06 核对
- PyTorch · Softmax2026-11-06 核对
卡片底稿由 AI 协助整理，经过核对；发现错误请告诉我。