---
title: "集束搜尋（Beam Search）"
slug: beam-search
language: zh-TW
source: https://aiterms.tw/terms/beam-search
updated_at: 2026-04-29
tags: [自然語言處理, 生成式AI, 模型訓練, 最佳化, 深度學習, 大型語言模型]
ipas_term: false
---

# 集束搜尋（Beam Search）

> **翻譯一句話時，如果不只看目前最好的路徑，而是多留幾條備選，會不會更穩？**
> 你可以把集束搜尋想成每一步都保留幾個最有希望的候選答案。
> 它常用在序列生成，像翻譯、摘要、字幕生成這類任務。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **集束搜尋 vs 貪婪解碼？**
> 集束搜尋：保留多個候選路徑
> 貪婪解碼：每一步只選當下最佳
> 最關鍵的區別：前者留備案，後者只看眼前最好的一條
>
> **集束搜尋 vs 暴力搜尋？**
> 集束搜尋：用集束寬度控制保留數量
> 暴力搜尋：把所有可能都展開
> 最關鍵的區別：Beam 是折衷做法，不是全試也不是只試一條
>
> **集束搜尋 vs 分類器？**
> 集束搜尋：常用在生成式模型
> 分類器：輸出固定類別標籤
> 最關鍵的區別：前者找序列，後者選類別
### 記住這句就好

> 每一步都留幾條備案，避免太早走死路
### 實際案例

> **機器翻譯**
> 句子前半段多個翻譯分支都還不錯，集束搜尋能保留較好的整體候選
>
> **圖片描述**
> 模型在描述圖像時會同時保留幾個詞組組合，最後挑出整體最順的句子
### 算法與應用

> | 重點 | 你要看什麼 | 為什麼重要 |
> |---|---|---|
> | 集束寬度 | 每一步保留幾個候選 | 越大通常越準但越慢 |
> | 優點 | 降低早期誤判風險 | 比貪婪解碼更穩 |
> | 缺點 | 計算量較高 | 不是越大就一定越好 |
### 常見問題

> **Q：集束寬度越大越好嗎？**
> 不一定。它會提高成本，還可能讓結果在某些任務上變得不自然。
>
> **Q：Beam search 會保證最佳解嗎？**
> 通常不會，它是啟發式方法，不是全域最優保證。
>
> **Q：它和維特比演算法一樣嗎？**
> 不一樣，維特比通常是動態規劃，Beam 是保留有限候選的搜尋。
### 情境判斷

> **Q1：如果你只想快速產出一條句子，貪婪解碼是不是更省？**
> → 是，因為它每一步只選一條路，速度快但風險也較高
>
> **Q2：如果生成結果常在前幾個字就走偏，Beam search 有沒有機會改善？**
> → 有，因為它能保留幾條備用路徑，降低太早犯錯的機率
### 相關術語

> - **貪婪解碼**：最常和 Beam Search 對比的解碼法
> - **語言模型**：Beam Search 常搭配語言模型做生成
> - **序列到序列模型**：序列到序列任務常用到它

---

來源：https://aiterms.tw/terms/beam-search
快查頁：https://aiterms.tw/terms/beam-search
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-beam-search