温度参数（Temperature）是大模型的一个生成设置，控制输出的随机程度。它直接影响「同样的问题，AI 会不会给出不一样的回答」。
用一个类比理解：模型在生成每个词时，是在「候选词的概率分布」上做选择。温度决定了这个选择的「激进程度」：
- 低温度（如 0~0.3）：几乎总是选概率最高的词，输出稳定、一致、保守。
- 中温度（如 0.7~1.0）：偶尔选概率稍低的词，输出自然、有变化。
- 高温度（如 1.2+）：经常选低概率词，输出更随机、更发散，但也更容易出错或胡言乱语。
不同任务对「创造性 vs 准确性」的需求不同：
- 事实与逻辑任务（总结、翻译、代码、数据提取）：要准确稳定 → 低温度（0~0.3）。
- 日常写作与对话（文案、邮件、闲聊）：要自然流畅 → 中温度（0.7~1.0）。
- 创意任务（头脑风暴、写故事、起名字）：要多样与灵感 → 高温度（1.0+，视模型而定）。
调温度的本质是管理「稳定与创新」的平衡：同一模型，温度不同，输出的性格完全不同。
注意事项：
- 温度不是越高越好：过高会让回答变得混乱、跑题甚至不可读。
- 温度与重复相关：低温度可能让长文显得机械重复，高温度可能让内容前后不一致。
- 不同模型对温度的「手感」不同：同样的数值在不同模型上的效果差异明显，需要实测。
常见误区：
- 「调温度 = 改变模型能力」——不，它只改采样随机性，模型的知识与能力不变。
- 「温度=0 就一定正确」——不，只是更稳定；模型本身的错误与幻觉依然存在。
- 「所有生成都要调温度」——很多产品已经内置了合适的默认值，只有 API 或专业工具需要主动控制。
- Top-p（核采样）：另一种控制随机性的参数，限制候选词范围。两者常一起使用：温度管「选择激进度」，Top-p 管「候选范围」。
- 思维链/推理：推理类任务通常建议低温度 + 分步推理，保证逻辑稳定。
温度参数是控制 AI 输出随机性的旋钮：低温度求稳定，高温度求创意。按任务性质调（事实任务低、创意任务高），并注意不同模型的手感差异。它是理解「为什么 AI 有时换着花样回答、有时照本宣科」的关键概念。
