溫度 (Temperature)

控制 LLM 輸出隨機程度的取樣參數——0 = 完全 deterministic 保守，越高越多樣但也越容易出錯。

Temperature 是控制 LLM 每個 token 怎麼挑的旋鈕。模型對每個可能的 token 產生機率分布；temperature 扭曲這個分布：0 的時候總是挑機率最高的 token（deterministic、保守、重複）。1 的時候從原始分布取樣（自然多樣）。超過 1，低機率 token 被放大（創意、怪、容易出錯）。它重要的原因是：適合的 temperature 看任務。結構化輸出（JSON、code、SQL）用 0 或 0.1——你要一致、可重現的答案。腦力激盪、創意寫作、生多個候選用 0.7-1.0——你要多樣性。詩、極致創意可以再高。舉個例子：要模型翻譯一段法律合約。Temperature 0 每次都給同樣翻譯，方便 review 跟版本控制。要它幫一個產品上市寫五個 Twitter hook。Temperature 0.8 給你五個不同切入點，而不是同一個 hook 的五種改寫。注意：temperature 0 不一定保證跨呼叫結果完全一致——供應商內部 sampling 實作可能有些微差異。要真正 deterministic，用 seed 參數（如果有）。延伸閱讀：top-p、top-k、sampling、decoding。