待验证50% 置信解决方案精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/7/25
首次发现
来源
如何科学测试提示词对LLM引用行为的影响
redditr/learnmachinelearning2026/7/9
相关事实
待验证大语言模型（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81% 相似已验证LLM生成每个token时根据温度参数从概率分布中随机采样，而非选择概率最高的确定性输出，从而产生涌现性79% 相似已验证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76% 相似待验证LLM基于Transformer架构的自注意力机制和Softmax概率分布，通过温度参数控制采样随机性，温度趋近0时输出最高概率token，温度升高时引入更多随机性75% 相似待验证LLM本质上是在做下一个token的概率预测，即便温度参数设为0，面对复杂的多步骤指令时，模型仍会受到注意力机制的影响73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/615565API
curl https://kongchang.com/api/v1/knowledge/claims/615565MCP
get_claim(id=615565)