温度（Temperature）

模型在选择下一个 token 时，会通过 softmax 函数生成一个概率分布。温度会在 softmax 之前把 logits 按 1/T 的系数进行缩放——这一机制由 Hinton et al.（2015）描述。T 越高，分布越平坦，低概率 token 也有更多机会被选中；T 越低，分布越尖锐，越倾向于概率最高的那个 token。

温度为 0 时，输出基本是确定性的——适合信息抽取或写代码。更高的温度适合头脑风暴，但也会增加跑题和幻觉的风险。