一、核心概念：温度（Temperature）是什么？

当我们谈论大模型的“创造力”或“发散性”时，temperature 参数是背后的总导演。从技术角度讲，它控制着模型预测下一个 token（词或字符）时，其概率分布的“尖锐”或“平坦”程度。简单来说，温度值越低，模型的选择越确定、越保守，它会倾向于选择模型认为最有可能的下一个词，输出结果更稳定、更符合训练数据的常见模式。温度值越高，模型的选择越随机、越发散，那些概率较低的“冷门”词也有机会被选中，从而产生更意想不到、更有“创意”的内容，但也更容易出现事实错误或逻辑不通。

可以把它想象成调音台上的一个旋钮：低温是“清晰模式”，高温是“混响模式”。理解这一点是调优的第一步，因为它直接决定了你希望模型在确定性和创造力之间如何权衡。

二、超越温度：其他关键的采样参数

温度虽然是最知名的参数，但它并非独自工作。top_p 和 top_k 是它的左膀右臂，共同决定最终的词选择。2（核采样） 的逻辑是：从概率最高的词开始累加，直到累积概率达到 p 值（例如0.9），然后只从这个“词核”中进行随机采样。这提供了一种动态的、基于置信度的截断方式。

0 则更简单粗暴：直接从概率最高的 K 个词中随机选择。例如，top_k=50 意味着模型每次只从最有可能的 50 个候选词里“抽签”。这三个参数协同工作，构成了一个完整的采样策略。在实践中，通常建议优先调整 2 和 3，谨慎使用或避免同时使用多个过于严格的限制参数。

提示：temperature 影响的是所有候选词的概率分布形状，而 top_p 和 top_k 是在这个已经被 temperature “重塑”过的分布上再做一次筛选。它们的叠加效果需要仔细调试。

三、实战调优：从低温度到高温度

调优没有万能公式，完全取决于你的应用场景。我们可以从两个极端开始实验，找到最佳平衡点。

对于需要准确、严谨的任务，如代码生成、数学计算、事实性问答，应使用较低的温度（如 0.1 到 0.4）。

import requests

api_key = "your_api_key"
url = "https://api.mimo.ai/v1/chat/completions"

headers = {
    "Authorization": f"Bearer {api_key}",
    "Content-Type": "application/json"
}

# 一个事实性问答任务，使用低温度
data = {
    "model": "mimo-pro",
    "messages": [{"role": "user", "content": "水的化学式是什么？请仅用化学式回答。"}],
    "temperature": 0.2,  # 低温度，追求确定性
    "max_tokens": 10
}

response = requests.post(url, headers=headers, json=data)
print(response.json()['choices'][0]['message']['content'])  # 预期输出非常稳定：H₂O

对于需要创造力、多样性的任务，如诗歌创作、头脑风暴、故事续写，应使用较高的温度（如 0.7 到 1.2）。但要注意，当 temperature 超过 1.0 后，输出的随机性会急剧增加，可能产生大量无意义的内容，需要反复试验。

四、进阶技巧：参数间的协同与场景化配置

一个常见的误区是只调一个参数。实际上，组合使用 0 和 1 往往能得到更精细的控制。一个经典的配置是 temperature=0.7, top_p=0.9。这意思是：先用 temperature=0.7 将概率分布变得比默认的（temperature=1.0）稍微尖锐一点（减少一些随机性），然后 top_p=0.9 会过滤掉那 10% 的低概率“长尾”词。这种组合既能保留一定的创造性，又能避免输出太过于离经叛道。

关键提示：在生产环境中，为不同的任务类型（如QA、生成、总结）设计并保存不同的参数配置模板，是一种高效的最佳实践。

五、常见陷阱与调试建议

调优过程中，你可能会遇到一些典型问题。如果模型输出过于重复、机械（例如不停重复相同短语），这通常是温度过低或 0 值太小导致的，模型被困在了极小的候选词池里。相反，如果输出完全跑题、逻辑混乱，则是温度或 1 设置过高，模型“放飞自我”了。

调试时，建议遵循控制变量法。一次只调整一个参数，从一个已知良好的基准值（如 temperature=0.7）开始，小幅度调整（如0.1为步长），并仔细观察输出的变化。使用一个固定的 prompt 进行测试，这样你能清晰地看到参数变化带来的影响。记住，最佳参数高度依赖于特定模型和特定 prompt，在MiMo API上得出的经验，换个模型可能完全不适用。

六、总结：从理解到应用

回到最初，调优 temperature 与采样参数的本质，就是为你的具体任务定制模型的“决策性格”。它不是一个需要设置后就遗忘的技术参数，而是你与模型协作时需要灵活掌握的控制杆。

多做实验，仔细分析不同参数下的输出质量与风格，你很快就能培养出对这些参数的直觉，从而真正驾驭大模型的强大生成能力。