温度是怎么改写概率的？压平与拉尖的手法

同一个人工智能，有时答得严谨刻板，有时答得天马行空，拨动这根弦的旋钮叫温度。它不改模型、不改知识，只改写输出前那张概率表的形状。这一篇讲它压平与拉尖的具体手法。

温度动手前，概率表长什么样

模型算完一遍前向，对全词表给出的原始分数叫 logits，高低差距有大有小：高分候选可能比低分高出一大截。这些分数随后会被归一化成概率，而温度正是在归一化之前插进来的那道工序：先把每个分数除以温度值，再去做归一化。所以温度没有另起炉灶，它改写的就是这张表上分数之间的相对差距。顺带一个判断：改温度见效快、成本为零，因为它不碰模型文件；想调整回答风格，先试它，往往比换一个模型划算。

除一下：改写是怎么发生的

机制全在"除一下"里。温度小于 1 时，等于除以一个小数，分数间的差距被等比放大：原来 5 分和 3 分的差距，除以 0.5 后变成 10 和 6，归一化后高分候选的占比进一步抬高，低分被压得更扁，整张表被拉尖。温度大于 1 时相反，差距被压缩，高低分的占比被抹平，冷门候选也有机会中选，整张表被压平。把概率想成地形，拉尖就是山峰更陡，压平就是丘陵连绵；真实机制是等比缩放分数，地形只是帮记忆的比喻。还要记住一点：温度改的是差距大小，不改变分数的排名，无论怎么调，得分最高的候选始终是同一个，变的只是它和追赶者的概率落差。

两个极端：近零与高温

温度趋近零时，除完的分数差距悬殊，概率几乎全部集中到最高分候选，效果等同于贪心解码：同样的输入永远得到同样的输出，适合抽取、分类、代码补全这类要求口径稳定的任务。温度调高后，概率被摊薄，输出开始多样，适合头脑风暴、起标题这类要发散的场景；但调得过高，模型会频繁选中低质量候选，语句开始跑偏。顺带拆一个误区：温度高并不等于更聪明，它只是让冷门候选更容易出场，回答质量的上限和下限同时被拉宽。实用判断是：任务要稳就把温度往低调，要创意就往高调，先小步试再加大。DeepSeek、豆包等产品的接口里都有这个参数，默认档位各不相同，具体范围以官方文档为准。

温度和其他旋钮的先后关系

流水线上温度的位置要记牢：它作用于概率表本身，发生在筛选和抽取之前，三者是先改表、再圈池、后抽取的接力顺序，颠倒着理解就会调错参数。调参时还有一条经验：发现输出千篇一律，先动温度；发现偶发胡言乱语，光降温未必够，还要收紧候选池。反过来，回答永远一个腔调时，也先检查温度是不是被压得过低，再考虑改提示词。想看后两步的细节，可以读采样是怎么从概率里挑字的、束搜索是怎么保留候选的、重复惩罚是怎么压制复读的。

温度速查卡

• 动作本质：归一化前，把全表分数除以温度
• 低温：差距放大，表被拉尖，输出稳定
• 高温：差距压缩，表被压平，输出发散
• 顺序：先改表，再筛选，后抽取

一句话带走：温度改的是分数之间的差距，概率的天平随它倾斜。

温度快问快答三则

• 调温度会改变模型学到的知识吗？：不会，它只改写输出概率的分布，模型本身一字未动。
• 为什么温度接近零输出就固定了？：分数差距被极端放大，概率几乎全归最高分候选，随机性无从发挥。
• 写代码和写文案该各调多高？：代码补全宜低温求稳，文案构思可适度调高求发散，档位以实际效果微调。