大模型回答问题时，做的其实是同一件事：对每个候选结果分配一个概率，然后描述"哪些更可能"。承担这项工作的数学工具，就是概率分布。它把不确定性摊开来看：一件事有哪些可能结果、每种结果有多大概率，一次性分配清楚。看懂概率分布，你就看懂了 AI 输出里那些时好时坏、时而肯定时而犹豫的现象从何而来。
概率分布：把可能性分清楚
掷一枚六面骰子，六个面各占六分之一，这就是一个分布。天气预报说"明天降雨概率 70%"，同样是一个分布：下雨占 70%，不下雨占 30%。分布有个硬性要求：所有可能结果的概率加起来必须等于 1。这是逻辑要求，不是数学洁癖——明天总得有一个天气，骰子总得朝上一个面。只要总和等于 1，剩下的概率怎么分配，就决定了这个分布"集中"还是"分散"。
大模型里的分布长什么样
让大模型接着写"今天天气很___"，它不会只给出一个字，而是给词表里每个候选词都算出一个概率：比如"好"占 40%、"差"占 25%、"热"占 15%，其余候选词分摊剩下的 20%，全部加起来是 1。词表可能包含几万个词，这个分布在每一步生成时都会重建一次。生成一句话要连续走几十步，每一步都对应一个独立的分布，最后连起来才是你看到的那句话。
| 分布形态 | 典型数值 | 模型状态 |
|---|---|---|
| 概率集中 | 最高项 80% 以上 | 模型很有把握，输出通常稳定 |
| 概率分散 | 最高项不到 30%，多个词接近 | 模型在犹豫，最易出错 |
| 中间状态 | 最高项 40% 到 60%，有次高项跟随 | 有一定倾向，但仍可能切换 |
概率集中与分散，各意味着什么
概率集中，说明模型对"下一个词"很确定，这种时候输出稳定、不易出错；概率分散，说明模型在几个候选之间摇摆，这是最容易翻车的地方。很多 AI 生成中的"一本正经胡说"就发生在分布分散的时刻：模型没有把握，却仍要按最高概率选一个词说下去。所以判断一次生成可不可信，不能只看句子顺不顺，还可以间接感受它的"犹豫程度"——虽然普通用户看不到原始分布，但追问、换问法能帮你探出它到底有没有底。
抽样：为什么同一个问题答案会变
很多人以为模型输出是"查表选唯一答案"，实际它是从分布里"抽样"：概率高的词更容易被抽到，但并非百分之百被选中。同一个问题问两遍，答案不同，正是因为两次抽样走了不同的路径。所谓"温度"参数，调的就是这个分布的形状：温度越低，分布越尖锐、越偏向选最高概率项，输出越稳定；温度越高，分布越平坦、越可能抽到低概率项，输出越发散。这也解释了为什么同一个模型，调整采样参数后文风会明显变化。
除了温度，还有一种常见采样方式叫 top-p（核采样）：每次只从累积概率达到阈值的那一小撮候选词里抽，避开在整个词表里随机选。把温度调低、top-p 收紧，输出就更稳定；两者放开，文本就更多样。理解这两个旋钮，就明白为什么同一个模型能写出风格迥异的段落。
最该记住的一句话
速查：看 AI 输出时的三个提醒
- 概率是模型内部的倾向，不等于客观正确率。
- 说得很肯定，只说明它选中了概率最高的那条路。
- 需要准确性的场合，核实这一步不能省。
概率分布能描述"模型倾向于说什么"，却不能告诉你"这个说法是不是事实"。它做不到的，正是从"模型自信"跳到"内容可靠"之间的那一步——这一步只能靠外部核实来完成。理解了这一点，再去看大语言模型的原理，会发现"生成"本质上是一连串概率选择；视频生成里的抽卡之所以要反复抽，也是因为每次生成都在分布里走一条随机路径；连运镜词被模型理解这样的任务，同样依赖分布来决定每一步该输出什么。
