_{记忆点：参数没有万能值，围绕任务目标做可复现的单变量实验。}

💡 答案要点

Temperature 原理：

Softmax 输出概率分布:
T=0.1: [0.95, 0.04, 0.01]  ← 极度集中，几乎总选概率最高的词
T=1.0: [0.50, 0.30, 0.20]  ← 标准分布
T=2.0: [0.40, 0.35, 0.25]  ← 更平坦，更随机

场景化调参经验（面试可直接讲）：

场景	Temperature	理由
RAG 问答 / 事实类问题	0.0 - 0.2	需要准确，不能乱编
代码生成	0.0 - 0.3	语法要正确，确定性强
摘要/翻译	0.2 - 0.5	忠实原文，允许少量变化
内容创作/营销文案	0.7 - 1.0	需要多样性和创意
头脑风暴/创意生成	1.0 - 1.2	探索性，允许偏离常规

实际项目调参案例（可以讲）：

展开 Python 代码示例（32 行）

# 案例1：RAG 知识库问答
# 问题：T=0.7 时模型会"补充"检索内容里没有的信息（幻觉）
# 解决：调低到 T=0.1，模型更保守，只说检索到的内容

response = openai.chat.completions.create(
    model="gpt-4o",
    messages=messages,
    temperature=0.1,     # RAG场景低温
    max_tokens=800,
    top_p=0.9,           # 配合 top_p 限制候选词范围
)

# 案例2：营销文案生成
# 问题：T=0 时每次生成都一样，客户说"没新意"
# 解决：T=0.8，加 seed 参数让结果可复现
response = openai.chat.completions.create(
    model="gpt-4o",
    messages=messages,
    temperature=0.8,     # 创意场景高温
    seed=42,             # 固定seed，相同输入得到相同输出（可复现）
)

# 案例3：Self-Consistency 多次推理投票
# 需要多次采样→投票，必须 temperature > 0
for _ in range(5):
    response = openai.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        temperature=0.7,  # 保证每次结果不同
    )
    answers.append(extract_answer(response))
final = majority_vote(answers)

其他参数联动调整：

Temperature 低时（<0.3）：
  → top_p 可以稍高（0.9+），候选词范围宽一点
  → 不需要 frequency_penalty（已经保守了）

Temperature 高时（>0.7）：
  → top_p 适当降低（0.85），避免太随机
  → presence_penalty=0.5，减少重复内容
  → max_tokens 要给够，创意内容往往更长

面试话术：

"Temperature 要按任务和模型调参，不能把某个固定值当标准答案。Self-Consistency 需要采样出有差异的候选路径，因此通常使用非零温度或其他随机采样设置；但结果是否可复现还受 seed、服务端实现、并发和模型版本影响，不能只靠 temperature 判断。"

---