一、理解模型的“创造力调节阀”：温度（Temperature）

当我们使用像 MiMo 这样的生成式模型 API 时，temperature 是最核心、最直观的采样参数。你可以把它想象成一个控制模型输出随机性与确定性的“旋钮”。其值通常介于 0 到 2 之间（常见范围是 0.1-1.5）。

它的本质是调整模型输出概率分布的“尖锐程度”。当 temperature 设为一个较低的值（如 0.2）时，概率分布的峰值会变得非常陡峭，模型会非常“自信”地选择概率最高的下一个词（token），输出趋于保守、稳定、重复性强。反之，当 temperature 设为一个较高的值（如 1.5）时，概率分布会被“拉平”，低概率的选项也获得了一定的被选中的机会，这使得输出更具多样性、创造性，但也更容易出现随机甚至不相关的词语。

提示：温度不改变模型本身的知识或能力，它只影响模型在选择下一个词时是更“专一”还是更“发散”。低温度适合事实性问答、代码生成等需要精确的场景；高温度更适合头脑风暴、创意写作、故事生成等需要灵感的场景。

二、不止于温度：Top-p 与 Top-k 采样详解

温度并不是单独工作的，它通常与 top_p 和 top_k 这两个采样策略参数协同使用，共同完成“从概率分布中选取下一个词”这一关键步骤。理解它们的区别是调优的关键。

top_k 是一个简单直接的策略：模型会从概率最高的 K 个词中随机选择一个。例如，设置 top_k=50，意味着模型只会考虑概率排名前 50 的候选词。这个方法简单，但缺点是 K 是固定数量，当模型非常不确定时，前 50 个词可能都包含很多不合理的选项；当模型非常确定时，可能前 10 个词就足够了，多余的 40 个计算是浪费。

top_p（也称为“核心采样”，Nucleus Sampling）则是一个更智能、自适应的策略。模型会将词按概率从高到低排序，然后从列表头部开始累加概率，直到累加概率达到 top_p 阈值（例如 0.9），最后只从这个“核心”词集中进行随机采样。这意味着，当模型很确定时（如第一个词概率就达 0.95），可能只包含 1-2 个选项；当模型不确定时，可能会包含数十上百个选项。这比 top_k 更能平衡质量与多样性。

三、参数调优的实践心法与陷阱

理论清楚后，如何在实践中有效地调优这些参数呢？核心原则是：从默认值开始，小步快走，根据输出反馈进行微调。不要一次性进行剧烈调整。

首先，明确你的任务类型。对于需要严格遵循指令、输出格式固定的任务（如数据提取、表格填写），应使用低 temperature（0.1-0.3）并配合较低的 top_p（0.7-0.9），以确保输出稳定可靠。对于开放式创作，可以尝试 temperature 在 0.7-1.2 之间，top_p 在 0.9 左右，以激发灵感。

其次，警惕高温度陷阱。虽然高温度能带来“惊喜”，但值设置过高（如 >1.8）极易导致输出崩溃，出现无意义的重复、乱码或完全偏离主题。如果需要更强的多样性，优先尝试调高 0（如至 0.95-1.0），这比单纯拉高温度更安全。此外，要注意参数之间的关联性：提高 temperature 也会间接影响 top_p 采样集的构成。

实用技巧：对于关键任务，可以采用“二分法”进行调试。例如，从 temperature=0.7 开始，如果觉得输出太死板，尝试 temperature=0.9；如果觉得太跳脱，尝试 temperature=0.5。持续对比输出，找到最佳平衡点。

四、代码示例：在 API 调用中实战调优

下面我们通过一段具体的 Python 代码，来看看如何在 MiMo API 的调用中设置这些采样参数。

import requests
import json

def call_mimo_with_params(prompt, temperature=0.7, top_p=0.9, top_k=50):
    """调用 MiMo API 并设置采样参数"""
    api_url = "https://api.mimo.example.com/v1/generate"  # 假设的API端点
    headers = {
        "Content-Type": "application/json",
        "Authorization": "Bearer YOUR_API_KEY"
    }
    
    payload = {
        "model": "mimo-7b-chat",  # 指定使用的模型
        "prompt": prompt,
        "max_tokens": 500,
        # 以下是关键的采样参数
        "temperature": temperature,
        "top_p": top_p,
        "top_k": top_k,  # 注意：某些API可能需要显式启用
        # 可选：重复惩罚等参数，用于抑制重复
        # "repetition_penalty": 1.1
    }
    
    response = requests.post(api_url, headers=headers, json=payload)
    if response.status_code == 200:
        return response.json()["choices"][0]["text"]
    else:
        raise Exception(f"API调用失败: {response.status_code}, {response.text}")

# 示例1：事实性问答（低创造性）
prompt_factual = "请简述光合作用的主要过程。"
response_factual = call_mimo_with_params(
    prompt_factual,
    temperature=0.2,  # 极低温度，追求准确
    top_p=0.7,        # 核心采样集较小
    top_k=10          # 且硬上限为10
)
print("事实性回答：", response_factual)

# 示例2：创意续写（高创造性）
prompt_creative = "在一个连星星都在窃窃私语的夜晚，她推开了那扇古老的门，门后是……"
response_creative = call_mimo_with_params(
    prompt_creative,
    temperature=1.2,  # 较高温度，激发灵感
    top_p=0.95,       # 保留绝大多数合理选项
    top_k=0           # 或设置为0，表示不使用top_k限制
)
print("创意续写：", response_creative)

五、不同场景下的参数配置速查表

为了方便快速查阅，这里根据常见任务类型提供一组参考配置（基于个人经验，非官方标准）：

请记住，这只是起点。模型版本、提示词的措辞、甚至对话历史的长度都可能影响最佳参数，最终的调优必须依赖于对模型输出结果的实际检验。

核心总结：temperature 控制整体随机性，top_p 和 top_k 控制候选词集的范围。三者结合，共同塑造了模型的输出风格。优秀的调优是在可控性与创造性之间找到符合你需求的完美平衡点。