已验证65% 置信事实精确时间

温度缩放通过在softmax前除以学习到的温度参数T来软化预测分布，但对LLM的适用性受限于输出的非结构化特性

3

来源数

65%

置信度

长期有效

时效性

2026/7/8

首次发现

来源

元认知反馈：用强化学习让大模型准确表达不确定性

hackernewshackernews2026/7/7

相关事实

待验证温度是0到2之间的超参数，其底层机制是在Softmax函数前对logits进行缩放，温度趋近0时概率分布趋向one-hot，温度升高时分布趋于平坦74% 相似待验证提示词中带有倾向性的词汇相当于在softmax之前的logits层施加强偏置，即便调高温度也难以完全中和这种先验权重69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/279894

API

curl https://kongchang.com/api/v1/knowledge/claims/279894

MCP

get_claim(id=279894)