---
title: "溫度採樣（Temperature Sampling）"
slug: temperature-sampling
language: zh-TW
source: https://aiterms.tw/terms/temperature-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
---

# 溫度採樣（Temperature Sampling）

透過調整溫度參數，控制語言模型生成文本的隨機程度和多樣性。溫度越低生成越確定，溫度越高生成越隨機。

## 完整說明

溫度採樣是 LLM 推論時的一個關鍵參數調整策略。透過改變溫度值（通常 0.0 到 2.0 之間），改變模型選擇下一個詞彙的機率分布。低溫度（接近 0）會使模型傾向於選擇機率最高的詞彙，導致輸出更加確定和保守；高溫度會平坦化機率分布，使較低機率的詞彙也有機會被選中，增加多樣性和創意性。

## 常見問題

### 溫度值 0 和溫度值 0.1 有什麼區別？

溫度值 0 理論上會導致 softmax 的分布變成極端的 one-hot 分布（機率最高的詞彙得到 1，其他為 0），實現時通常直接選擇機率最高的詞彙。溫度值 0.1 仍然使用採樣，但分布非常尖銳，最高機率詞彙的優勢極大，極少會選擇其他詞彙。在實務上，溫度 0 和 0.1 輸出都非常確定且重複性高，但溫度 0 更快（直接選擇，無需採樣計算）。

### 為什麼不總是用低溫度來保證輸出品質？

低溫度會導致輸出變得重複、單調和缺乏多樣性。例如在創意寫作中，低溫度可能導致模型一直選擇最常見的詞彙和句式，產生千篇一律的文本。此外，低溫度會增加模型「陷入」局部最優的可能性，無法探索其他合理的表達方式。對於需要多樣化回答的應用（如對話系統、推薦系統），低溫度會嚴重影響使用者體驗。

### 溫度採樣可以完全關閉嗎？

從技術角度，當溫度接近 0 時，採樣過程退化為 greedy decoding（直接選擇機率最高的詞彙），這可以看作「關閉」隨機性。大多數實現允許設定溫度為 0，此時模型的行為完全確定。然而，這並不是「關閉採樣」，而是採樣在極端確定性條件下的自然結果。在某些框架中，溫度為 0 可能會切換到專用的 greedy 解碼路徑，以提高效率。

---

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