待验证90% 置信事实时间未知
Temperature=0（贪心采样）也不能保证模型输出的确定性，至少有三个原因：浮点运算非结合性、MoE路由不确定性、服务端配置漂移
1
来源数
90%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
AI Agent模型分层路由策略：Token成本、幻觉应对与选型实战
bilibili前端小卒
涉及实体
相关事实
已验证即使将温度设为0，部分推理框架底层仍存在浮点计算的非确定性，导致跨硬件、跨批次的输出差异79% 相似待验证即使将temperature设为0，部分模型仍会因并行计算的浮点误差产生轻微输出波动77% 相似已验证大语言模型的非确定性根源于其自回归采样过程，即便temperature设为0，不同推理框架、批处理大小和硬件浮点运算差异都可能导致输出漂移77% 相似待验证加载MTP层后额外浮点运算会导致数值产生微小变化，可能导致模型走不同推理路径产生不同结果，即使温度设为0也会出现71% 相似待验证Temperature=0时采用贪婪解码（Greedy Decoding），但由于GPU浮点运算（FP16/BF16精度）的非确定性，实际工程中仍无法保证完全一致的输出70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/27306API
curl https://kongchang.com/api/v1/knowledge/claims/27306MCP
get_claim(id=27306)