温度参数是什么？为什么同一个问题两次回答不一样

温度控制的是输出的随机程度。

模型每一步都在算「下一个词有哪些候选、各自多大概率」。温度低的时候，它基本只挑概率最高的那个，输出稳定、可复现；温度高的时候，低概率的词也有机会被选中，输出更发散。

所以温度调到接近零，同一个问题问十遍，答案几乎一样；调到一点几，每次都能给你不同的写法，但内容可能跑偏、甚至出现前后矛盾的句子。

这个参数不是「聪明度」，调高不会让它更聪明，只会让它更敢说。涉及事实、数据、代码的任务，温度该低；需要头脑风暴、想标题、写创意文案，温度可以高一点。

它还有个副作用值得知道：温度高时，模型更容易在长文里自己绕回来说过的话，因为每次选择都更随机，逻辑链更容易断。写长材料时把温度调低，是省校对时间最直接的办法。

我按任务分两档用。

整理类、提取类、改错别字这类活，温度压到最低。要求它别发挥，照原文来。这种情况下它偶尔还会自作主张补一句，得在提词里明确禁止。

想标题、想开头、想不同角度的切入，温度调高。同一个需求跑五次，挑一个最好的。这个用法比反复改提词高效。

中间那档最难用。温度不高不低，输出看着正常但偶尔冒出一个奇怪的细节，检查起来比重写还费劲。

如果是走接口调用，这个参数通常能直接设；如果是在网页上问，多数不给你调，只能靠「请严格按原文」「不要发挥」这类提示去约束。

网页端还有个替代办法：把要求写死成清单，比如「只输出原文文字，不加解释，不加标题」。清单比口头约束有效，因为它把可选空间压到了最小。

几个容易误解的点。

以为调低温度就能保证正确。温度只让它更保守，不解决它不知道的问题。知识里没有的东西，低温照样答错。

以为调高温度会更聪明。变的是表达的花样，不是理解的深度。

用温度解释一切不一致。输出不同还可能因为上下文累计、服务端版本更新、你上一句话的影响。温度只是其中一个变量。

批量跑任务时不固定。同一批数据跑两遍结果不同，排查起来很麻烦。要么固定随机种子，要么全程温度设零。

还有一个细节，有些平台把「温度」和「Top-P」两个参数放在一起，同时调容易互相抵消，改一个就够了。

温度和其他几个参数放一起看，才知道各自管什么。

温度管随机程度。调低趋于保守，调高趋于发散。

Top-P 管候选范围。只在累计概率最高的一批词里选，值越小范围越窄。它和温度作用相似，同时调容易互相抵消。

最大长度管输出上限。设小了话没说完就被截断，设大了对控制成本没帮助。

惩罚项管重复。对已经出现过的词降权，能减少车轱辘话，设太高又会让句子不连贯。

多数情况下，只调温度就够了。其余几个保持默认，除非你发现特定的问题——比如反复说同一句话，才去动惩罚项。

一次改一个参数，改完对比几次输出，才知道是哪一项起的作用。

按任务给温度，可以先照这张表试：

数据提取、格式化转换、代码生成。0 到 0.2，要的是稳定和可复现。

文本改写、摘要、翻译。0.3 到 0.5，既要准确又要通顺。

方案撰写、分析报告。0.5 到 0.7，需要一点组织上的灵活。

想标题、想口号、头脑风暴。0.8 到 1.0，要的是多样性。

创意写作、故事。1.0 以上，接受跑偏的风险换取新意。

这些数字不是标准值，各家平台的刻度不完全一样，实际用的时候在这个区间里微调。

一个实用习惯：同一批任务全程用同一个温度，别中途改。改了就说不清结果差异是内容造成的还是参数造成的。