待验证50% 置信事实精确时间
大语言模型（LLM）由于temperature、top-p、top-k等采样策略带有随机性，同一提示词在两次调用中可能产生截然不同的响应
1
来源数
50%
置信度
长期有效
时效性
2026/7/19
首次发现
来源
相关事实
已验证LLM的不一致性与模型的温度参数和随机采样过程密切相关，同一问题多次调用同一模型可能产生不同答案83% 相似待验证在LLM引用行为测试中固定随机性需要同时设置temperature和top-p参数并在支持时固定随机种子81% 相似已验证大语言模型在生成每个token时从概率分布中采样，temperature参数控制随机性的强弱，temperature越高输出越多样，越低则越确定80% 相似待验证语言模型采样过程中的温度参数设计使同一提示在不同调用中可能产生截然不同的输出，因此重试本身并不保证收敛79% 相似待验证大语言模型输出本质上是概率性的，采样温度（Temperature）、Top-P 等参数使模型每次生成内容可能不同，是软件测试的挑战78% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/558691API
curl https://kongchang.com/api/v1/knowledge/claims/558691MCP
get_claim(id=558691)