随机种子是怎么影响输出的？复现的条件

同一个提示词跑两次，回答不一样——因为解码默认在掷骰子。想让骰子每次按同一套轨迹落下，就要给随机种子：它决定随机数序列的起点，起点相同、路径就相同。扣子上调试工作流、智谱清言里做对比实验，种子都是关键条件，本文讲清它的作用点与复现条件。

骰子的起手点：种子决定序列

采样每一步要从概率分布里挑字，挑法依赖随机数：数列由种子经固定算法生成，同一种子必然推出同一个数列。于是种子定了，温度、top-p 等参数也定了，再加上模型与输入不变，输出就逐字一致。准确说它不改概率，只固定「按概率办事」的掷骰顺序。约束解码是怎么保证 JSON 格式的那篇讲的候选拦截发生在掷骰之前，先筛后掷，顺序不变，两种机制配合默契。

完全复现的条件：一环都不能少

复现要求全套对齐：种子、温度、top-p、重复惩罚、模型版本、输入文本，任何一环变动，轨迹立刻分岔。重复循环是怎么自我强化的那篇讲的概率反馈对扰动极其敏感，差一个字的历史都可能走出完全不同的路。服务端还可能因为批处理调度、硬件差异导致浮点求和顺序不同，微小数值差被逐层放大——所以严格复现只在同一环境里成立，跨环境只能求近似。一条消息的完整旅程里，每个环节都可能引入扰动，排查复现失败要一站一站对。

复现实验自查清单五项对齐

• 种子值是否显式固定
• 温度、top-p、惩罚参数是否一致
• 模型版本与量化档位是否相同
• 输入文本是否逐字一致，含空白与标点
• 运行环境是否同一套服务与硬件；对不上号的实验别下结论，先过一遍这份清单

日常用不上种子：在线服务的随机性

聊天产品极少开放种子，一来用户不需要，二来固定种子会牺牲负载均衡的灵活性。MoE 的共享专家是干嘛的那篇讲的结构特性、蒸馏时老师的哪些答案值得学那篇讲的数据挑选，都是训练侧话题，与推理掷骰无关——别把训练的随机性与采样的随机性混为一谈，前者由数据与初始化决定，后者由种子与参数决定。

关于随机种子的三个常问问题

• 温度设 0 还需要种子吗？：贪心挑字不掷骰，理论不需要；但并行计算的浮点误差仍可能带来极小差异，严格意义的确定性要看实现。
• 为什么两种子能得到相似却不相同的回答？：分布相同、掷骰轨迹不同，概率高的候选两头都容易被选中，于是风格相近、细节有别。
• 种子能用来控制内容质量吗？：不能，它只固定随机路径，好坏要看命中的轨迹；想稳定质量，该调的是参数与提示。

种子管轨迹不管好坏：同种同参得同文，换种如换骰，仅此而已。还有个常见误解：种子相同不代表两次调用必然逐字一致。批处理大小、并发调度、浮点累加顺序、乃至硬件差异，都可能让结果产生细微差别，严格的逐字复现需要把这些变量全部固定，这也是为什么论文里报告设置随机种子只是必要条件而非充分条件。日常使用中更实际的用法是：同一组提示多跑几个种子，观察输出的稳定性——结果差异大，说明这个任务对随机性敏感，结论别只凭一次输出。如果两次结果差异很大，先查是不是温度设得太高，再怀疑缓存或调度问题，种子往往是最不需要怀疑的那一个。