温度参数是什么

很多人第一次在 API 里看到 temperature 这个字段，要么不管它、要么随手填个数字，结果同一段提示词有时答得稳、有时飘得离谱。这篇不背定义，直接说清它调的是什么、往高往低分别会发生什么，再给一套按任务分档的调参参考和排查顺序；如果你只是用聊天网页，也能看懂平台默认值背后在做什么取舍。

很多人第一次在 API 文档里看到 temperature 这个字段，要么直接无视它，要么随手填个数字，结果同一段提示词有时答得稳、有时飘得离谱，还以为是模型抽风。其实这个旋钮调的东西很具体：它不改变模型的知识，只改变模型在每一步挑下一个词时有多敢冒险。

这篇不背定义，先说清它调的是什么、往高往低分别会发生什么，再给一套按任务分档的调参方向和自查顺序，最后说清楚哪些场景根本不该动它。如果你只是用聊天网页，也能借此看懂平台默认值背后在做什么取舍。

温度参数到底在调什么

模型生成回答是一个词一个词往外蹦的。每蹦一个词之前，它会给所有候选词算一个分数，温度负责把这些分数变成的概率分布压平或者拉尖，然后再按概率抽一个。温度低，分布被拉尖，高概率词更容易被选中；温度高，分布被压平，原本没什么机会的词也开始有机会。

低温

候选词概率差距被放大，输出更集中、更可预测，但不等于唯一答案

高温

候选词机会被拉近，输出更发散，但不是乱答，只是更愿意选次优词

累积效应

每选一个词都会影响后面的上下文，一个词选偏，整段跟着偏，这就是两次结果差很远的常见来源

top_p 配合

另一个采样参数，和温度同时往激进方向调，随机性会叠加放大，别两个一起猛推

理解这一点很关键：温度影响的不是「对不对」，而是「稳不稳」。它没法让一个没给清楚要求的提示词变得准确，只能让你在同样模糊的情况下，拿到差异更大或者更小的结果。

按任务类型选方向：一张对照表

调温度的第一步不是查数字，而是先问自己：这个任务有唯一正解吗？答案越唯一，越往低温走；答案越开放，越可以往高温走。下面这张表可以直接照着对号入座。

• 有唯一正解的活，往低温方向走，宁可重复也别跑偏
• 要发散、要多个候选的活，往高温方向走，允许一部分答案没用
• 多数平台的默认值就在中间档，先按默认跑，觉得不对再调
• 长文尤其要小心：高温在开头几段可能很出彩，写到中后段容易跑题，拆成几段、每段用低温更稳
• 具体数值区间别记死，各家刻度口径不一样，到 /ai-dict/category/tips 对照当期说明
• 同一任务换模型后要重新试，变量名和取值范围都不一定一样

调参顺序与常见误区

很多人的排查顺序是反的：一上来先怀疑温度、再怀疑模型、最后才回头看提示词。更省时间的顺序是从最可控的地方开始。下面这套步骤可以照着走。

1. 先审提示词检查有没有给输出格式、有没有说清什么算对什么算错。这一步没做，后面的调参都是白调。
2. 锁定一个变量一次只动温度，提示词和模型都别换。同时动三个，出了问题你分不清是谁的锅。
3. 小样本对比同一个提示词跑几遍，看差异集中在开头还是结尾。差异集中在结尾通常是长文问题，不是温度问题。
4. 判断该不该降如果错法是格式漂移、字段漏填、说法换来换去，往低温调；如果错法是完全答非所问，调温度没用，回去改提示词。
5. 确认是否值得追复现多数接口本身不保证逐字一致，要工程稳定应该靠结构化约束和结果校验，而不是死磕某个温度值。

什么时候不适用这套思路：做创意探索、陪聊、生成多样候选的时候，强行低温会让输出干瘪重复，这时候「稳定」反而是缺点，该让它多飘一点。

去站内哪几页核对口径

温度这个字段看着简单，坑在「各家不统一」。参数名、取值范围、默认值、甚至它和别的采样参数怎么配合，不同服务商写得都不一样，所以接入前一定要以你实际要调用的那家为准，别拿别处的经验硬套。

• 接入前先到 /models 找到目标模型，看它标注的参数说明和默认值
• 看到不认识的采样参数名，先到 /ai-dict/category/basics 查一眼再动手
• 想估算长输出带来的用量变化，可以在 /tools/model-cost-calculator 粗算一遍
• 怀疑中转站转发时没传这个字段、或者改写了默认值，可以到 /tools/verify 看检测口径
• 实际价格、限速这类会变的数字，以站内页面当期的展示为准

需要强调一句：温度通常和计费、限速没有直接关系，但温度调高后输出变长、跑偏重试变多，间接会用得更多。这不是温度本身的成本，是它带来的行为后果。