温度

控制输出随机性的参数：越低越保守稳定，越高越发散有创意，但出错概率也随之上升。

它是同一份提示词能反复调出不同风格的原因。写文案要放开，抽取结构化数据必须压低，用错方向就得返工。

像厨师手里的调料量：放得少味道稳定，放得多可能惊艳、也可能翻车，这个旋钮交给你自己判断。

把温度调到接近 0，让模型按固定格式抽取合同里的甲方、金额和到期日；写品牌 slogan 时调高，同一句「秋天第一杯」就能给出二十个完全不同的方向供你挑。

• 误解：温度越高模型越聪明。 事实：它只改变选词分布、不增加知识，调高反而更容易跑题和编造。

• 误解：温度为 0 就完全没有随机性。 事实：长文本生成仍受数值精度和服务端实现影响，只能说输出高度可复现。

• 误解：温度能代替提示词里的风格要求。 事实：语气、结构和详略还是要写清楚，温度只是个松紧旋钮。

• 误解：想省事就一律调高。 事实：抽取、翻译、写代码这类需要稳定的任务应该压低，否则每次都得人工核对。

• Token模型切分文本后的最小计量单位，介于字符与词之间；长度、计费和响应开销都按它算。
• 提示词你交给模型的任务说明，包含角色、任务、材料和输出格式，直接决定结果质量的上限。
• 幻觉模型用「看起来该这么答」代替「确认这是真的」，于是会一本正经地编造不存在的引用和数字。
• 大模型用海量文本训练出的巨型神经网络，靠「看着上文预测下一个词」生成连贯自然的文字。