Unverified50% confidenceFactExact time
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
1
Sources
50%
Confidence
Long-term
Relevance
7/15/2026
First Seen
Sources
Related Claims
Unverified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83% similarVerifiedLLM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78% similarUnverifiedLLM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78% similarUnverified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77% similarUnverified在非确定性LLM系统中，即使使用相同的Prompt和参数，由于模型内部的采样机制（temperature、top-p等）、API版本更新或浮点运算精度差异，输出都可能不同77% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/514411API
curl https://kongchang.com/api/v1/knowledge/claims/514411MCP
get_claim(id=514411)