Temperature=0也无法复现：AI编程Agent的隐性发散问题

一个反直觉的实验结果

在使用大语言模型时，很多开发者都默认一个假设：把采样温度（temperature）设为 0，模型输出就应当是确定性的、可复现的。然而一位 Reddit 用户在测试长周期编程 Agent 时得到了令人意外的结果——即便在 temperature=0 的条件下，同一个任务的多次运行仍然会走向不同的终点。

这位研究者使用自托管的 Qwen 模型配合 vLLM 推理框架，针对 SWE-bench 中的同一个任务，在完全相同的模型、配置和温度参数下反复执行了 13 次。结果颇具戏剧性：

在 13 次执行中，有 12 次 独立地到达了完全相同的中间仓库状态（canonical Git diff 完全一致）；
但这 12 次执行随后却分裂成了 11 个不同的最终源码状态。

换句话说，Agent 在中途高度收敛，却在临门一脚时各奔东西。

reddit 原帖：同一个编程 Agent 在 temperature=0 下运行 13 次的结果

为什么 temperature=0 也会发散？

温度为 0 意味着模型在每一步都选择概率最高的 token（贪婪解码），理论上应该是确定性的。但在真实的推理系统中，确定性会被多个因素悄悄破坏。

浮点运算的非确定性

在 GPU 上进行大规模矩阵运算时，浮点加法的结合律并不严格成立。不同的并行归约顺序、不同的 batch 大小、动态的显存调度，都可能导致 logits 出现微小差异。当两个候选 token 的概率极为接近时，这种微小差异足以让贪婪解码翻转选择。

推理框架的批处理调度

vLLM 这类高吞吐推理框架采用连续批处理（continuous batching）和 PagedAttention，请求的拼批方式会随运行时状态变化。同一个 prompt 在不同批次上下文中的计算路径可能不同，从而放大数值扰动。

Agent 循环的误差累积

更关键的是，编程 Agent 是长周期、多轮的自主系统。每一步的输出会成为下一步的输入，一个 token 的分歧会被逐步放大。这正是研究者观察到的现象——多次运行先是高度收敛到同一中间状态，然后又在后续步骤中被微小扰动推向不同轨迹。

三种发散模式

研究者在更广泛的任务集上观察到了三类值得注意的模式：

差异被吸收：轨迹一度出现分歧，但后续步骤将其"抹平"，最终收敛回一致状态；
差异持续：一旦分歧产生便无法回头，直接导向不同的结果；
发散—再收敛—再发散：运行过程先分叉，又重新汇合到完全相同的源码状态，然后再次分叉。

第三种模式尤其耐人寻味，它说明 Agent 的状态空间中存在某种"吸引子"——多条不同路径会被拉回到同一个中间点，但这种收敛并不稳定。

发散何时才算"有害"？

实验者随后提出了一个更成熟的追问：这种变化真的重要吗？

答案并非绝对。不同的执行轨迹、不同的补丁，完全可能都是正确的——同一个 bug 往往有多种合理的修复方式。因此，单纯统计"终态不一致"并不能说明 Agent 不可靠。

于是研究方向被重新定义为一个更精准的问题：

无害的执行变化，在什么时候会演变为有实质后果的发散？

为了回答这个问题，研究者计划引入外部正确性标签——即用测试或人工判断来标注每个终态到底是对是错，从而区分"良性多样性"与"致命分歧"。

早期检测与主动纠偏策略

这项研究真正的价值在于它指向了一个工程化方向：能否在 Agent 失败之前，尽早检测到"关键转折点"，并把它拉回正轨？

研究者列举了几种可能的干预手段：

Nudge（轻推）：在检测到偏离时注入提示，引导 Agent 回到正确方向；
Rollback（回滚）：撤销到最近的良好状态重新执行；
Context intervention（上下文干预）：修改上下文以纠正 Agent 的认知；
Fork-and-select（分叉择优）：并行运行多个分支，再挑选最优结果。

这些策略本质上是把"发散"从一个 bug 转化为一种可利用的资源——如果我们能实时判断哪条轨迹更有希望，多样性反而成了提高成功率的手段。

对生产环境的启示

对于正在生产环境中部署开源权重 Agent 的团队，这个实验带来几点现实提醒：

不要迷信 temperature=0 的可复现性。在多轮自主任务中，数值层面的非确定性会被系统性放大，复现失败是常态而非例外。
评估指标需要区分"正确性"与"一致性"。终态不同不等于错误，用外部正确性标签来衡量才有意义。
可以主动拥抱多样性。fork-and-select、多次采样投票等策略，可能比追求单次确定性输出更能提升实际任务成功率。

原帖作者也向社区抛出了一个开放问题：那些在生产中运行开源权重 Agent 的工程师，是否也观察到过 temperature=0 下的显著执行方差，它是否真的影响了任务成功率？这个问题目前尚无定论，但它无疑触及了自主 Agent 走向可靠部署的核心挑战之一。

结语

这个看似简单的"运行 13 次"实验，揭示了当前 AI Agent 工程中一个被低估的真相：确定性是一种幻觉，可靠性需要主动设计。随着编程 Agent 承担越来越长、越来越关键的任务，理解并驾驭这种隐性发散，将成为区分"玩具 Demo"与"生产级系统"的分水岭。