溫度取樣（temperature sampling）

溫度是最有名的「創意旋鈕」。在模型的原始分數（logits）經由 softmax 變成機率之前，會先被一個數字 T 除過。低溫（例如 0.2）會把分佈變尖，讓最高的幾個詞元獨大，輸出聚焦又可預測；高溫（例如 1.2）會把分佈壓平，讓本來不太可能的詞元也有實質機會，文字因此更多變——也更容易出錯。當 T = 1 時，分佈維持模型原本的樣子。

這名字借自物理：高溫代表更劇烈的隨機運動。把 T 設成 0，取樣就退化回貪婪解碼：最尖的分佈永遠挑最高的詞元。該設多少要看任務——程式碼、數學、抽取這類要唯一正解的，設在接近零；發想、小說、對話這類歡迎驚喜的，就設高一點。溫度通常會搭配 top-k 或 top-p，這樣壓平分佈時才不會把真正荒謬的詞元也救活。