概述
温度和采样是控制语言模型措辞“随机”或“安全”程度的旋钮。他们决定你是否每次都会得到相同的可预测的答案，或者新鲜的、不同的措辞。
温度和采样是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。
深入探讨
在每一步中，语言模型不会直接输出单词 - 它会为其词汇表中的每个标记生成一个分数（“logit”），softmax 将其转换为概率分布。采样是从该分布中选择下一个令牌的方式。温度重塑选择前的分布：低温使首选选择占主导地位，因此输出集中且可重复；高温会使它变平，让不太可能的代币溜进去，产生更多的变化（和更多的错误）。两种流行的过滤器首先缩小池的范围。 Top-k 仅保留 k 个最高概率的标记。 Top-p（或核心采样）保留概率总计为 p（例如 0.9）的最小令牌集，因此当模型不确定时池会增长，而当模型有信心时池会缩小。这些设置共同权衡了可靠性和创造力。
技术洞察
温度的工作原理是在 softmax 之前将每个 logit 除以 T：概率与 exp(logit / T) 成正比。 T 低于 1 会加剧差距，因此顶部令牌占主导地位； T 大于 1 会缩小间隙并使分布变得平坦。当 T 接近 0 时，模型实际上变得贪婪，总是采用单个最可能的标记。 Top-k 将候选计数限制为固定数量，而 top-p 设置累积概率截止值，因此其候选计数会适应模型在该步骤的置信度。
掌握温度和采样
温度和采样是控制语言模型措辞“随机”或“安全”程度的旋钮。他们决定你是否每次都会得到相同的可预测的答案，或者新鲜的、不同的措辞。温度和采样是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。为了建立深入的理解，请将温度和采样视为一个操作模型，而不是一个单一的功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，强大的团队使用温度和采样设计提示、检索和审查循环作为一个集成通信系统。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
将温度设置为接近 0 以便代码生成或数据提取，您每次都希望得到相同的正确答案
将温度升高至 0.8-1.0 左右，集思广益，提出名称、口号或故事创意，以获得多种选择
使用 0.9 左右的 top-p，因此模型仅从最合理的单词中进行采样，并避免出现奇怪的标记
应用 top-k 来限制候选人并防止罕见的、偏离主题的单词出现在面向客户的回复中
实施模式
实践中的温度和采样
将温度设置为接近 0 以便代码生成或数据提取，您每次都希望得到相同的正确答案。
将代码生成或数据提取的温度设置为接近 0，您每次都希望得到相同的正确答案。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
实践中的温度和采样
将温度提高到 0.8-1.0 左右，集思广益地讨论名称、口号或故事创意，以获得不同的选择。
将温度提高到 0.8-1.0 左右，以集思广益，讨论名称、口号或故事创意，以获得不同的选择。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
实践中的温度和采样
使用 0.9 左右的 top-p 使模型仅从最合理的单词中进行采样，并避免出现奇怪的标记。
使用 0.9 左右的 top-p，因此模型仅从最合理的单词中进行采样，并避免奇怪的标记。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的温度和采样
应用 top-k 来限制候选人并防止罕见的、偏离主题的单词出现在面向客户的回复中。
应用 top-k 来限制候选者并防止在面向客户的回复中出现罕见的、偏离主题的单词当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。