一、温度：控制 AI 创意与稳定性的“旋钮”

Temperature（温度） 是大语言模型生成文本时最核心的采样参数之一。你可以把它想象成一个控制模型输出确定性与随机性的旋钮。当温度值极低（例如接近0）时，模型会倾向于选择概率最高的下一个词，输出会非常稳定、可预测，甚至可能重复，适合生成事实性文本或需要精确控制的场景。反之，当温度值较高（例如大于1）时，模型会给予概率较低的词更多的机会，从而产生更多样化、有时甚至出乎意料的表达，这常用于创意写作、头脑风暴或生成诗歌等需要发散性的任务。

理解温度的关键在于它如何调整 logits（模型原始输出分数）的概率分布。简单来说，高温使概率分布更“平坦”，让尾部的选项有更多机会被选中；低温则使分布更“尖锐”，几乎只锁定头部的最优选择。需要注意的是，温度过高会导致输出变得不连贯或胡言乱语，而过低则可能陷入重复循环。因此，找到一个合适的温度值，需要根据你的具体应用场景进行细致的权衡与测试。

二、超越温度：Top-P 与 Top-K 的协同作用

虽然温度是基础，但在现代大模型 API（如 MiMo）中，Top-P (Nucleus Sampling) 和 Top-K 是两个同样重要的协同参数。Top-K 很好理解，它设定了一个硬性的候选词数量上限。例如，设置 top_k=50，模型就只会在概率最高的50个词中选择下一个词。这种方式的缺点是不够灵活，因为某些情况下概率分布可能非常集中（前5个词就占了99%），强行考虑50个词反而会引入噪音。

这时 Top-P 就更显其精妙。它不是固定数量，而是设定一个累积概率阈值。例如 top_p=0.9，模型会从概率最高的词开始累加，直到累加概率刚刚超过90%就停止，然后只从这个“词核（Nucleus）”集合中采样。这种方法能动态地适应不同的概率分布，在确定性高时只考虑少数选项，在不确定时则扩大搜索范围。通常建议温度与 Top-P 二选一进行主要调节，因为两者作用有重叠。同时调整可能使行为难以预测。一个常见的实践是将温度设为0.7，top_p设为0.9。

三、代码实践：在 MiMo API 中设置采样参数

让我们通过一个具体的代码示例来看看如何在请求 MiMo API 时设置这些参数。假设我们使用 Python 的 requests 库进行调用。

import requests
import json

def generate_with_mimo(prompt, temperature=1.0, top_p=1.0, top_k=None, max_tokens=150):
    api_url = "https://api.example.com/mimo/v1/generate"  # 请替换为实际API端点
    headers = {"Authorization": "Bearer YOUR_API_KEY", "Content-Type": "application/json"}
    
    payload = {
        "model": "mimo-turbo",
        "prompt": prompt,
        "max_tokens": max_tokens,
        "temperature": temperature,
        "top_p": top_p,
        # top_k 是可选参数，若不设置则API可能采用默认值（如50或全部词汇）
    }
    
    # 仅在明确需要设置top_k时才添加此参数
    if top_k is not None:
        payload["top_k"] = top_k
    
    response = requests.post(api_url, headers=headers, data=json.dumps(payload))
    if response.status_code == 200:
        result = response.json()
        return result["choices"][0]["text"]
    else:
        raise Exception(f"API请求失败: {response.status_code}, {response.text}")

# 示例：生成一个创意故事开头（高创造性）
story_start = generate_with_mimo(
    prompt="在一条从未有人走过的山径上，我发现了一个发光的盒子。我打开它，",
    temperature=1.2,
    top_p=0.85
)
print(story_start)

# 示例：生成一个技术解释（高确定性）
tech_explain = generate_with_mimo(
    prompt="用简洁的术语解释量子纠缠：",
    temperature=0.3,
    top_p=0.1
)
print(tech_explain)

在上述代码中，我们为两个截然不同的任务设置了不同的参数组合。第一个故事生成任务采用了较高的温度（1.2）和适度的Top-P（0.85），旨在激发AI的想象力。第二个技术解释任务则使用了很低的温度（0.3）和非常小的Top-P（0.1），以确保输出的准确性和严谨性。

四、实战调优策略与常见误区

参数调优没有放之四海而皆准的公式，但可以遵循一些基本策略。首先，从默认值开始（通常是 temperature=1.0, top_p=1.0），然后根据输出效果进行微调。如果你希望输出更稳定、更遵循指令，逐步降低温度（如每次降低0.1）。如果输出显得过于保守或重复，适当提高温度。

关键提示：Top-P 和 Top-K 通常不建议同时使用。它们的作用有重叠，同时设置会使得其中一个失效（取决于API的具体实现逻辑）。在MiMo API中，更常见的做法是调节温度，然后仅搭配Top-P来使用。

一个常见的误区是追求极端的参数值。例如，将温度调到2.0以上，通常只会得到混乱无意义的文本，而非“高度创意”。另一个误区是忽略 0 参数对输出的影响，过短的max_tokens会强制截断，导致回答不完整。最佳实践是结合具体场景，通过大量的A/B测试来建立对参数行为的直觉。例如，你可以固定一个prompt，分别用 (temp=0.5, top_p=1.0) 和 (temp=1.0, top_p=0.7) 生成多次，比较哪种风格的输出更符合你的需求。