Temperature
温度越低，分布越尖锐；温度越高，分布越平，低概率项更有机会被采到。
当前温度
1.00
温度、Top-k、Top-p 与解码策略
同一个模型，推理参数不同，回答风格就会明显变化。原因不在“模型忽然换了脑子”，而在于最后一步选择下一个 token 的策略不同。温度会改变分布尖锐程度，Top-k 和 Top-p 会裁剪候选集合，Greedy 则直接拿最高概率项。
看概率分布怎么变
实际抽样一次
再理解“稳定”和“发散”
下一 Token 采样实验室
先选一个场景，再切换解码策略，最后拖动参数。你会直接看到候选 token 的保留范围、概率分布和采样结果是如何变化的。
当前提示词
下面的条形图展示的是当前策略真正参与采样的分布。被裁掉的项会变成 0。
四种策略一眼对比
这一组卡片把当前场景分别放到 Greedy、Temperature、Top-k、Top-p 下，帮助你快速建立“稳定性”和“多样性”的对照感。
常见误区： 温度高不等于“更聪明”，只意味着抽样更敢探索；Top-k / Top-p 也不是越大越好，而是在稳定性和多样性之间取平衡。
一句话总结： 解码策略不改变模型学到的知识，但会改变模型“从哪些候选里选、选得多保守、是否保留随机性”，所以同一个模型会表现出不同风格。