掌握 LLM 温度参数：从原理到实践的全方位指南

在大型语言模型（LLM）的应用领域，参数调节对输出质量起着决定性作用，而温度（Temperature）参数便是其中掌控输出随机性与确定性平衡的核心要素。无论是追求精准的事实问答，还是需要富有创意的故事生成，合理设置温度参数都能让模型输出更贴合需求。本文将系统拆解温度参数的工作原理，结合实例解析不同取值的影响，并提供实用的调优指南，助力你成为LLM温度调节的高手。

一、温度参数的核心原理：重塑概率分布的“魔法旋钮”

语言模型生成文本时，本质上是在每个步骤从候选词汇（Token）中进行概率采样。例如，当模型预测下一个词时，会对“天空”“海洋”“森林”等可能词汇分配不同概率。而温度参数的作用，就是通过数学变换重塑这些概率分布，进而改变采样结果的特性。

（一）概率调整的数学逻辑

温度参数通过特定公式对原始概率进行重缩放，其核心公式如下：

其中，$P(x_i)$ 是模型生成的原始概率，$T$ 为温度值，$Q(x_i)$ 是调整后的概率，$n$ 为候选词汇总数。

从公式可见，温度参数通过指数运算改变概率间的相对权重。当温度为1时，$1/T = 1$，公式简化为

，即原始概率保持不变。这也是为什么温度=1被视为“基准线”——此时模型完全按照自身预测的原始概率分布进行采样。

当温度小于1时，$1/T$ 成为大于1的指数（例如温度=0.5时，指数为2）。此时高概率词汇的优势会被放大，低概率词汇的权重则被进一步压制。就像把概率分布的“山峰”变得更陡峭，让最可能的选项更容易被选中。例如原始概率为[0.6, 0.3, 0.1]时，温度=0.5会将其调整为[0.78, 0.2, 0.02]，高概率词汇的占比显著提升。

当温度大于1时，$1/T$ 成为小于1的指数（例如温度=2时，指数为0.5）。此时低概率词汇的权重会相对提升