前 k 项采样
Top-k Sampling
学到 会用 就够：能亲手用起来
你可能会说
“我想控制模型写研究笔记时的选词范围，只保留概率最高的前几个词会怎样？”
Top-k 采样把候选限制为当前分数最高的 k 个词元，再在保留集合里抽取。它按数量截断，而 top-p 按累计概率截断；k 不是输出字数或答案数量。
使用 AI
科研里的例子
生成研究标题时调整 top-k 可改变措辞范围，但不会自动提高题目的理论价值；需按预先给定标准比较多次样本。
同样的 k 在集中和分散的预测分布中，代表不同的信息保留比例。k 小可能删掉有用替代项，k 大又可能包含不可靠尾部。与温度、重复惩罚等共同使用时，最终分布取决于整体顺序和设置。科研比较应一次只改有解释意义的配置，并报告内容与格式的变化，不把一个较好的随机样本当成参数普遍最优的证据。
判断
亲手检查一次
用六个候选概率分别计算 k=2、4 时保留的总质量，并重新归一化，比较它与同质量 top-p 集合是否一致。
它做不到的
Top-k 不等于取前 k 篇文献，也不是模型同时比较 k 个完整答案；有些产品不支持此参数或使用不同默认。
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。