待验证50% 置信事实精确时间

贪婪解码每步选择概率最高的token，最能暴露模型的重复倾向；采样结合temperature参数通过对logits除以temperature重新归一化来权衡多样性与连贯性

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

4GB显卡从零训练语言模型：失败比成功更有价值

涉及实体

greedy decodingconcept samplingconcept

相关事实

待验证常见的采样策略包括top-k采样（只保留概率最高的k个token）、top-p采样（动态选择累积概率刚好超过阈值p的最小token集合）和温度参数（通过缩放logits控制分布尖锐程度）76% 相似已验证Temperature 控制采样分布的平坦程度，值越高越倾向选择低概率词汇；Top-p 通过累积概率阈值动态收窄候选词汇集合73% 相似待验证Top-p（核采样）通过限定候选token的累积概率范围来控制输出多样性，与Temperature配合使用可实现更精细的输出调节73% 相似已验证解码策略中温度参数设置过高会导致采样随机性增加，与幻觉产生有关71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1004163

API

curl https://kongchang.com/api/v1/knowledge/claims/1004163

MCP

get_claim(id=1004163)