生成配置：溫度、top-k、top-p 與測試時計算
本文深入探討了 AI 模型生成文本的機率機制，重點介紹了溫度、top-k、top-p 等取樣策略，以及測試時計算和結構化輸出的方法，幫助讀者理解和最佳化模型輸出。
AI 模型的輸出本質上是機率性的，這使得它們在創造性任務中表現出色，但也帶來了不一致性和幻覺問題。理解模型的取樣過程——即如何根據機率分佈生成下一個 token——對於有效利用 AI 至關重要。本文由知名 AI 學者 Chip Huyen 撰寫，系統介紹了溫度、top-k、top-p、測試時計算和結構化輸出等關鍵概念。
取樣是模型生成文本的基礎。給定輸入，神經網路首先計算所有可能值的機率分佈。對於分類任務，可直接選擇最高機率值；但對於語言模型，貪婪取樣（總是選最可能 token）會導致輸出枯燥。相反，應按機率分佈隨機取樣，以增加多樣性。溫度引數透過調整 logits 來重新分配機率：高溫降低常見 token 的機率，提升稀有 token，從而鼓勵創造性；低溫則使輸出更確定。實際應用中，溫度常設為 0.7 以平衡創造性與一致性，但需根據具體場景調整。
Top-k 取樣僅考慮機率最高的前 k 個 token，以減少 softmax 計算開銷。k 值越小，輸出越可預測但缺乏新意。Top-p（核取樣）則動態選擇累積機率達到 p 的最小 token 集合，使輸出更貼合上下文。儘管理論上 top-p 優勢不明顯，實踐中效果良好。此外，停止條件（如最大 token 數或終止 token）可控制輸出長度，降低成本。
測試時計算透過多次取樣並選擇最佳輸出來提升模型效能。選擇方法包括平均對數機率最高、使用獎勵模型評分或簡單啟發式（如最短輸出）。OpenAI 的 best_of 引數即基於此。然而，多次取樣成本高昂，且存在收益遞減點（如 OpenAI 實驗發現 400 次後效能下降）。對於不可靠的模型，多次取樣可緩解問題，但更換模型才是根本。
結構化輸出對於生產環境至關重要，例如確保輸出為有效 JSON 或 SQL。方法包括提示工程（最易但不可靠）、微調（更可靠且可降低推理成本）和約束取樣（在 token 生成過程中過濾 logits）。約束取樣需構建語法規則，實現複雜，但能確保格式正確。隨著模型能力提升，未來可能只需少量提示即可獲得理想輸出。
總之，掌握這些取樣配置是高效利用 AI 的關鍵。本文強調，機率機制既是魔力也是挑戰，深入理解有助於構建更可靠的 AI 應用。