在机器学习（尤其是生成模型，如GPT、LLM等）中，温度系数（Temperature） 是一个控制模型生成结果随机性和多样性的关键参数。它通过调整模型输出概率分布的“平滑程度”，直接影响生成内容的创造性与稳定性。

核心原理

模型的输出本质是概率分布（例如预测下一个词的概率）。温度系数作用于模型的Softmax函数，通过缩放概率值改变分布的集中程度：

温度系数的作用

直观比喻

将温度系数想象成厨师调味：

• 高温（T>1）：厨师喜欢尝试新调料，可能做出惊喜或怪味（高风险高创意）。
• 低温（T<1）：厨师严格按菜谱操作，味道稳定但缺乏新意（低风险低惊喜）。

实际应用示例

1. 写诗歌（高温度，如T=1.2）：

   输入： "夜晚的天空"
   输出： "夜空洒落星尘的私语，月亮在云隙间编织银色的谜题"
   

2. 编程代码补全（低温度，如T=0.3）：

   输入： "import pandas as pd; df = pd.read_csv("
   输出： "data.csv")" （直接补全标准语法）
   

使用建议

1. 平衡点选择：
   • 一般默认值设为 T=1.0（保持原始分布）
   • 创意任务尝试 T=0.7~1.5，严谨任务尝试 T=0.1~0.7
2. 结合其他参数：
   • 与 Top-k 或 Top-p（核采样） 配合使用，进一步控制生成质量。
3. 动态调整：
   • 部分场景可分段调整温度（例如对话开场用高温，关键信息切回低温）。

注意

温度系数不改变模型的知识或能力，仅调整生成策略。若模型本身缺乏某些知识，降低温度也无法“创造”正确答案。