什么是温度系数?
通俗版:
温度系数(Temperature)是控制大模型生成文本随机性和多样性的关键参数。"它通过调整模型输出的概率分布，直接影响生成结果的保守性”或“创造性”。
技术版:
模型输出逻辑: 大模型(如GPT)在生成文本时，每一步都会计算所有可能候选词(Token)的概率分布，然后根据这个分布选择下一个词。
温度的作用: 温度系数会修改这个概率分布，具体公式是:
调整后的概率=exp(原始概率/temperature)
温度系数通过这个公式改变概率分布的“尖锐程度”，控制生成结果的随机性。
温度系数的直观理解
低温: 相当于“严格遵循课本知识”，模型不敢冒险，确定性高，适合严肃任务。
高温: 相当于“喝醉的诗人”，模型可能说出意想不到的句子，但也可能胡言乱语；创意爆炸，适合探索性任务。
温度=0：完全确定性的输出(选择概率最高的词)，但实际应用中通常不会设为0。
温度系数的实际效果
#温度系数 是控制AI说话风格的秘密旋钮
就像咖啡师调节咖啡浓度一样
0.1→严谨学霸模式 | 1.0→正常人聊天 | 2.0→放飞脑洞模式
如何选择温度值?
实验是关键: 不同任务和模型的最佳温度可能不同，建议从默认值(如0.7)开始调整。
调试技巧:
结果太死板?→提高温度。
结果太离谱?→降低温度。
需要可控的多样性?→中温+Top-p(如0.9)。
【调参小抄】
新手公式: 0.3(工作)+0.7(日常)+1.2(创作)
避坑指南: >1.5容易变人工智障
不同场景如何设置温度?
推荐配置:
事实性问答: 0.1-0.3(如医疗咨询、数学计算)
日常对话: 0.5-0.7(如客服聊天、社交互动)
创意生成: 0.7-1.0(如写诗、故事创作)
头脑风暴: >1.0(需要突破常规思维时)
温度设置不当会怎样?
温度过低:
机械性重复、失去语言多样性
陷入重复循环(如不停说"我不知道"）
温度过高:
事实错误增多、逻辑混乱、生成无关内容
极端情况:
T=0: 确定性输出可能反而产生不合理结果
T→* ∞*: 输出完全随机字符
