---
title: "核心採樣（Nucleus Sampling）"
slug: nucleus-sampling
language: zh-TW
source: https://aiterms.tw/terms/nucleus-sampling
updated_at: 2026-06-22
tags: [大型語言模型, 生成式AI, Prompt工程, AI基礎]
ipas_term: false
---

# 核心採樣（Nucleus Sampling）

根據累積機率選擇詞彙範圍，只從機率累計達到設定閾值（如 90%）的最少詞彙中採樣，比 Top-k 更能適應不同機率分布。

## 完整說明

核心採樣（也稱 Top-p 採樣）是一種自適應的詞彙選擇策略。與 Top-k 固定選擇前 k 個詞彙不同，核心採樣動態決定選擇多少個詞彙，以達到指定的累積機率閾值。典型設定是 p=0.9，表示選擇機率最高的詞彙，直到累積機率達到 90%。這方法對機率分布的變化更敏感和自適應。

## 常見問題

### 核心採樣中 p=0.9 是否意味著有 10% 的機率選到錯誤的詞彙？

不是。p=0.9 表示選出的詞彙累積機率達到 90%，這 90% 內的詞彙都是「合理」的候選。剩餘的 10% 機率完全被排除，不會被選中。換句話說，核心採樣完全避免了機率最低的 10% 的詞彙，這些詞彙往往是模型的「錯誤」或「古怪」輸出。

### 核心採樣中，如果機率分布非常平坦，會發生什麼？

在平坦的機率分布中（例如詞彙表 100k 詞，每個機率都很接近），為了達到 p=0.9 的累積機率，可能需要保留數萬個詞彙。此時核心採樣變得接近無限制採樣。這通常表示模型在該位置的信心很低，多個詞彙都「合理」。在這種情況下，結合使用溫度調整可以控制分布的集中度。

### 核心採樣和 Top-k 採樣可以同時使用嗎？

可以。許多實現支持同時使用 Top-k 和核心採樣。操作順序通常是先應用核心採樣選擇詞彙集合，然後進一步應用 Top-k 限制（如果該集合仍然過大）。例如，先用 p=0.9 篩選，再用 k=50 限制。這提供了雙重安全保護。

---

來源：https://aiterms.tw/terms/nucleus-sampling
快查頁：https://aiterms.tw/terms/nucleus-sampling
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-nucleus-sampling