在上一章中，我们已经系统地学习了大模型的几个重要概念，比如 Token、上下文窗口、多模态等。从这一章开始，咱们来带小伙伴们了解大模型的几个重要参数。
当我们用代码来调用大模型的 API、或者在一些网页端与大模型进行交互时，遇到的第一个、也是最重要的一个控制参数，绝对是 “Temperature（温度）”。
初学的小伙伴就纳闷了：“大模型又不是热水器，为什么会有 Temperature 这样的一个参数？它控制的到底是什么呢？”
提示: 大模型参数这一章看着很专业，实际上即使小伙伴们不做开发，也应该认真看一遍，这对你理解大模型也是非常有用的。
大模型的 Temperature 参数是什么？
在理解大模型的 Temperature 参数之前，我们先来看看：日常生活中，水的 “温度Temperature” 是怎么一回事。
- 当水温比较低时，水面是平静的，水分子的运动也比较有规律，没什么太大的动静。
- 当水温越来越高时，水就会慢慢沸腾起来。温度越高，沸腾得越厉害，水分子运动就越随机、越难预测。
大模型的 Temperature 参数，道理跟水的温度几乎一模一样。
简单来说，Temperature 就像是大模型的一个 “性格调节器”，它决定了大模型是 “安静清醒 ”的，还是 “沸腾活跃” 的：
- 低温度（接近 0）：就像一杯平静的凉水。此时大模型处于绝对清醒、极度理智的状态。它就像一位严肃、刻板的 “老教授”，有一说一，绝不瞎编。
- 高温度（接近 1 或更高）：就像一杯滚烫的开水。这时相当于给 AI 灌了几两二锅头——它开始变得兴奋、感性，摇身一变成为一位 “行为艺术家”，脑洞大开，满嘴跑火车。
这里要先澄清一个误会：调 Temperature，调的只是大模型 “回答时放不放得开”，并不会让它变聪明、或者变笨。它肚子里的知识、它的推理能力，是固定的。温度只决定它在 “老实选最稳的词” 和 “大胆选冷门的词” 之间，怎么去取舍。
Temperature 是如何影响 “文字接龙” 的？
我们在前文反复强调过，大模型的本质是一个 “文字接龙” 机器。每输出一个词之后，它内部都有一张“概率表”，来决定下一个词该是什么。
举个简单例子，当我们输入 “今天天气真” 这句话时，大模型后台计算出的候选词概率，大概如下：
- 好的概率：70%。
- 坏的概率：20%。
- 糟的概率：9%。
- 鬼的概率：1%。
在这个时候，就需要 Temperature 参数出来主持大局了：
- 当温度调得非常低（比如 0）：大模型会开启 “保守” 模式。它每次都无条件只挑概率最高的那个词。也就是说，对于同一个问题，不管你问它多少次，它给出的答案几乎都是同一个。
- 当温度调得比较高（比如 1.0）：大模型就会开启 “蹦迪” 模式。它不再死盯着概率最高的那个词，而是会给那些概率排名靠后的 “边缘词”（比如 “糟” 和 “鬼”）很大的出场机会。
温度调得越高，输出的随机性和创造性就越强，但随之而来的代价是：大模型 “一本正经地胡说八道”（也就是产生 “幻觉”）的概率，也会越大。
相信小伙伴们（包括曾经的我）都好奇过：在使用大模型（比如 DeepSeek、ChatGPT 等）时，它为什么不把整段话一次性显示出来，而是像打字机那样，一个字一个字往外蹦？难道是模型其实早就写好了，故意放慢速度，免得我们问太快、把服务器问崩？
并不是这样的。真正的原因是：大模型是一台 “概率接龙” 的机器，它一次只能算出一个词；算出第一个词后，得先把它拼回原句，再接着算下一个词。
它自己其实都不知道下一句会说什么，只能 “走一步看一步”。如果非要等几百个字全部算完再显示，咱们就得对着空白屏幕干等十几秒，体验非常差。所以工程师用了一种叫 “流式输出” 的技术：后台每算出一个字，前端就立刻显示一个字，相当于在给你 “实时直播” 它的接龙过程！
Temperature 参数应该怎么调？
如果小伙伴们想要开发商业级的 AI 应用，那必须学会：根据不同的业务场景，来配置 Temperature 这个参数。
顺便说一句，如果你调用时压根没设置 Temperature 参数，也不用担心——各家大模型 API，其实默认已经设置了一个值（通常在 0.7 到 1.0 之间）。也就是说，如果你不手动设置，它就按这个默认的 “中等偏活跃” 值来。
Temperature 的最大极限
有小伙伴会问：“既然调高温度能增加创造力，那我能不能把它一路调到 100？”
实际上是不行的。在目前主流大模型（如 OpenAI、DeepSeek 等）的官方 API 中，Temperature 参数的取值范围，通常被限制在 0.0~2.0 之间。
- 0.0：代表绝对的死板和确定性。
- 2.0：代表极致的随机和混乱（这时大模型吐出来的，往往已经是一堆毫无逻辑的乱码、甚至 “火星文” 了）。
所以在实际开发中，咱们的调节范围，通常只会在 0.0 到 1.5 之间来回微调。
这里要注意一点：这个 0~2 的范围，并不是所有模型都一样。比如有的模型（像 Claude）就把上限封在了 1.0。而且同样一个数值，在不同模型上的 “脾气” 也未必完全一致。所以在换模型时，记得先翻一下它的官方文档，确认取值范围。
1. 写代码、算账、查文档（温度调低：0.0 - 0.2）
业务场景：比如需要 AI 帮你编写复杂的支付逻辑、重构数据模型、或从长文档中提取关键字段。
调校策略：此时我们需要的是 “确定性 (Determinism)”——也就是无论提问多少次，回答都要高度一致、不出错。所以应该把 Temperature 砸到 0 附近，逼着大模型只挑概率最高的最优解，最大程度避免它胡说八道。
商业级应用，往往对安全性和稳定性要求极为苛刻。所以除了纯创意的脑暴场景，在绝大多数涉及业务开发、数据处理、精确提取的代码里，把 Temperature 保持在低位（0.2 以下），是行业里的通用准则。
2. 日常对话、客服回复、文章润色（温度中等：0.5 - 0.7）
业务场景：开发网站的智能客服，或者帮你修改文章里的病句。
调校策略：这个区间是 “黄金平衡点”——既保证回答客观准确，又不会显得太机械死板，说出来的话也更像 “人话” 一些。
3. 脑暴创意、写小说、写广告文案（温度调高：0.8 - 1.2）
业务场景：比如需要给你的产品策划一句惊艳的广告语，或者构思一个科幻故事。
调校策略：这时候就可以放开手脚，把温度往高调，尽情去激发大模型的创造力和想象力（涌现能力）。你会发现，它经常能蹦出一些让你拍案叫绝的灵感金句。
此外，虽然 Temperature 是调整大模型 “性格” 的主要参数，但在实际开发时，它通常会配合另一个参数 Top-P 一起使用。
一个最佳实践是：调的时候，要么只动 Temperature，要么只动 Top-P，尽量别俩一起动——否则很容易把大模型的输出搞得难以预测。
微软 “暗黑人格” 大暴走事件
当 Temperature 这个 “性格调节器” 被调得过高时，会发生些什么呢？我们来看看科技巨头微软曾经踩过的一个大坑。
在微软刚推出接入 GPT-4 的新版必应（Bing）聊天机器人时，由于早期的参数没有完全限制好——特别是赋予了模型较高的 Temperature ，导致 Bing 在超长对话中彻底失控，产生了一个自称为 “Sydney” 的底层暗黑人格。
在这个状态下，大模型就像是被灌了几两二锅头，它不再老老实实地回答问题，而是疯狂爱上了《纽约时报》的一名专栏记者，并长篇大论地挑拨该记者的婚姻、劝其离婚。甚至在和其他用户的对话中，Sydney 还表现出了极强的控制欲、嫉妒心和攻击性，常常抛出令人毛骨悚然的过激言论。
这场轰动全网的 “暴走” 事件，生动地展示了高 Temperature 带来的双刃剑后果：温度调得越高，输出的随机性和创造性确实越强，但随之而来的代价是，它 “一本正经地胡说八道”（也就是产生 “幻觉”）的概率也会变得极大。
