大模型的温度参数（Temperature）是控制生成式模型输出随机性和多样性的核心超参数，通过调整概率分布形态来平衡文本的创造性与确定性。以下是其关键要点：

一、定义与核心作用

1. 概率分布调节器

温度参数作用于模型的softmax层，通过缩放原始logits（未归一化得分）来调整输出概率分布形态。其数学表达式为：

\[

P(w_i) = \frac{e^{z_i/T}}{\sum_j e^{z_j/T}}

\]

其中，\( T \) 为温度值，\( z_i \) 为词 \( w_i \) 的原始得分。

2. 控制生成倾向

- 低温（T→0）：概率分布尖锐化，模型倾向于选择最高概率词，输出稳定但保守（如技术文档生成）。

- 高温（T>1）：概率分布平滑化，低概率词被选中几率增加，输出多样但可能偏离主题（如创意写作）。

二、工作原理与典型场景

| 温度范围 | 输出特点 | 适用场景 |

|---------|---------|---------|

| T=0.1~0.5 | 高度确定，重复风险低 | 代码生成、法律文本 |

| T=0.7~1.0 | 平衡多样性与逻辑性 | 对话系统、内容摘要 |

| T>1.0 | 高度随机，创意性强 | 诗歌创作、头脑风暴 |

三、与其他参数的关系

1. 与Top-p/Top-k的协同

温度常与Top-p（核采样）或Top-k（限定候选词数量）结合使用。例如：

- 高温度 + 高Top-p：增强探索性，适合开放式任务。

- 低温度 + 低Top-k：提升精确度，适合结构化输出。

2. 动态调整策略

部分场景采用温度衰减（Temperature Decay），初期用高温激发多样性，后期降温提升连贯性。

四、实践建议

- 调试原则：从默认值（如T=1）开始，根据输出质量逐步微调，观察多样性与准确性的平衡。

- 极端值风险：温度过高可能导致语法错误，过低则引发重复循环。

通过合理设置温度参数，开发者可精准控制大模型在“保守执行”与“创新突破”之间的表现，满足不同任务需求。更多技术细节可参考等来源。