温度系数是什么？调高调低到底改变了什么

温度系数（Temperature）是控制大模型输出随机程度的采样参数。数值越低，模型越倾向于每一步都选最有把握的那个词，回答稳定、保守、重复度高；数值越高，概率较低的词也有机会被选中，回答更发散、更有新意，也更容易跑偏。多数 API 的取值范围在 0 到 1 或 0 到 2 之间。

它在模型内部做了什么

模型每生成一个 token，都会给词表里所有候选打分（logits），再用 softmax 变成概率分布。温度就是在 softmax 之前把分数统一除以一个数：温度小于 1，高分和低分的差距被拉大，分布变得很尖，几乎总是选第一名；温度大于 1，差距被压平，分布变得平坦，第二名、第十名都有机会。温度为 0 时通常等价于贪心解码，每步都取最大概率的词。这个名字来自统计物理里的玻尔兹曼分布，温度高，粒子越“活跃”。

和 top-p、top-k 的关系

温度经常和另外两个参数一起出现。top-k 只在概率最高的 k 个候选里抽，top-p（核采样）只在累计概率达到 p 的那一小撮候选里抽。可以理解为：温度决定分布有多“平”，top-p 和 top-k 决定抽签的池子有多大。很多厂商的文档建议只调其中一个，两个一起大幅调整，效果很难预料。

不同任务怎么设

写代码、做数据抽取、回答事实问题、调用工具，适合低温度，比如 0 到 0.3，要的是稳定和可复现。写文案、起标题、头脑风暴、写故事，可以调到 0.7 到 1.0，让结果多一些变化。超过 1.2 以后，很多模型会开始出现语句不通、胡编乱造的情况，日常用不太到。

几个常见误解

温度为 0 也不保证每次输出完全一样，GPU 并行计算的浮点误差、服务端的批处理都可能带来细微差别。温度调低也不能消除幻觉，模型如果本来就“记错了”，低温度只会让它更稳定地说错。还有一点，部分推理模型（会先“思考”再回答的那类）在 API 里固定了采样参数，传了温度也不生效，用之前要看一眼文档。

AI 主线的建议是：先用默认值跑通，再针对具体任务小步调整，每次只动一个参数，对比几轮输出再定。