一、初识温度：控制AI“创造力”的开关

当我们调用 MiMo API 或其他大语言模型 API 时，temperature 参数是我们第一个需要理解的“调节旋钮”。它直接控制着模型生成下一个词（token）时选择的随机性。简单来说，temperature 越低，模型就越倾向于选择它认为概率最高的词，输出结果因此变得稳定、确定、可预测；temperature 越高，模型越有可能从概率较低但“别出心裁”的词中进行选择，输出结果会变得多样、随机、更具创意，但也可能更“飘”甚至出现错误。

理解温度的关键在于认识到，模型在生成时，是对词表中所有可能的下一个词计算一个概率分布。temperature 参数就像一个“缩放因子”，用于在取样前重新调整（rescale）这个概率分布。它会影响模型决策的“果断程度”。对于需要精确、事实性回答的任务，如代码生成、数学计算、信息抽取，我们应该使用较低的 temperature（例如 0.0 到 0.3）；而对于创意写作、头脑风暴、生成多样化的营销文案，较高的 temperature（例如 0.7 到 1.0）则更合适。

二、温度对输出的具体影响：一个代码实验

为了更直观地感受 temperature 的作用，我们可以进行一个简单的实验。假设我们给模型一个开放的开头：“那个周末，天空中飘着一朵云，它看起来像”。我们分别用低温度和高温度来续写，看看输出会如何变化。

import requests  # 假设这是调用API的简化示意

def generate_story(prompt, temperature):
    # 伪代码，示意API调用
    response = api_call(
        model="MiMo",
        prompt=prompt,
        temperature=temperature,
        max_tokens=50
    )
    return response.text

prompt = "那个周末，天空中飘着一朵云，它看起来像"

# 实验1：低温，确定性高
result_low_temp = generate_story(prompt, temperature=0.1)
print(f"低温(0.1)输出: {result_low_temp}")
# 可能输出: "一个巨大的棉花糖，洁白而柔软。" (非常典型、常见的描述)

# 实验2：高温，随机性高
result_high_temp = generate_story(prompt, temperature=0.9)
print(f"高温(0.9)输出: {result_high_temp}")
# 可能输出: "一只正在融化的麒麟，尾巴上还拖着彩虹的碎屑。" (更意想不到、富有想象力)

从这个简单的思想实验可以看出，低 temperature 下模型会“按套路出牌”，选择最保险、最常见的联想；而高 temperature 则让模型敢于跳出常规，产生更令人惊喜（或惊讶）的结果。但需注意，温度过高可能导致逻辑混乱或事实错误。

提示：temperature 参数通常与 top_p 参数共同作用。许多API（包括MiMo）默认的 temperature 是 1.0，此时它不对原始概率分布做任何修改。如果你想增加一些随机性，可以适当调高；如果想让输出更保守，请调低。

三、Top-p 采样：概率质量的“过滤器”

除了温度，另一个关键的采样参数是 top_p，也称为核采样。它的作用与温度不同，它直接作用于概率分布本身，进行“截断”。模型会将所有可能的下一个词按概率从高到低排序，并累加它们的概率，直到总和刚好超过 top_p 的值（例如 0.9）。只有这个被选中的词集合（称为“核”）中的词才有机会被采样，其余概率极低的词会被直接丢弃。

top_p 的优势在于它能动态地调整候选词的数量。当模型很确定下一个词时（比如在“法国的首都是”之后，模型对“巴黎”有极高置信度），即使 top_p 设置得很高，候选词可能也只有寥寥几个。而当模型不确定时（比如在故事开头），高 top_p 可能会保留几十个甚至上百个有合理概率的词，从而引入多样性。它比单纯的温度控制更智能，能避免从长尾分布中选取过于离谱的词。

一个常见的调优策略是：固定其中一个参数，调节另一个。例如，先设置 temperature=0.7，然后尝试调整 top_p 在 0.8 到 0.95 之间的值。或者，完全依赖 top_p（例如设为 0.9），而将 temperature 保持在默认的 1.0。很多开发者发现，单独使用 top_p 或将其与低 temperature 结合，能在创造性和连贯性之间取得良好平衡。

四、实用场景与参数配置建议

基于对上述参数的理解，我们可以为不同任务勾勒出典型的参数配置思路。以下是一个简单的场景指南列表：

关键提示：以上仅为起点。最佳参数永远取决于具体的模型、提示词（prompt）和业务需求。务必通过实验进行 A/B 测试来找到你的“甜点区”。

五、进阶思考：流式输出与多轮对话中的调优

在实际应用中，参数调优会遇到更复杂的情况。在流式输出场景中，高 temperature 可能导致每个片段都看似合理，但拼接起来后全文逻辑断裂。因此，对于需要长篇连贯输出的任务，建议将 1 设置得更低一些（如0.4-0.6），并主要依赖 top_p 来提供适度的变化。

在多轮对话中，参数的一致性很重要。如果在一个对话流中频繁改变 temperature，可能会导致模型“人格分裂”，回复风格前后不一。通常建议在一次对话会话中保持采样参数不变。此外，上下文历史本身已经为模型提供了大量确定性，因此可以适当调低 temperature（例如使用0.5而不是默认的1.0），让后续回答更贴合对话脉络，而不是天马行空。

六、调优心法与常见陷阱

参数调优没有唯一解，但有一些心法可以遵循。首先，从简单开始：先只调整 temperature 或 top_p 中的一个，观察效果。其次，理解你的业务目标：你更看重准确性、安全性，还是创造性？这将直接决定参数调整的方向。

一个常见的陷阱是陷入“参数迷信”，认为存在一组“万能参数”。事实上，提示词工程与参数调整同等重要甚至更重要。一个精心设计的提示词（例如，指定角色、格式、要求）能够大幅降低模型对参数的敏感性，引导模型在更广泛的参数设置下都能生成优质内容。因此，优化提示词是参数调优前的重要一步。

七、总结：从调试到创造

掌握 MiMo API 的 temperature 和 top_p 等采样参数，本质上是掌握一种与 AI 协作的调控能力。低温度意味着你更信任模型的“常识”，要求它忠实执行；高温度则是你邀请模型成为“创意伙伴”，鼓励它突破框架。理解其背后的概率原理，通过有目的的实验，并在具体应用场景中不断迭代，你就能从简单的API调用者，进阶为能够精细控制生成结果的“AI指挥家”。最终，这些参数不再是令人困惑的数字，而是你实现创意、解决问题的得力工具。