为什么同一个问题模型会给出不同回答？

它按概率随机挑词. 这就是采样：词是随机抽的，但按概率抽。开头换了一个词，后面整段文字都会变。

想给频道起名，温度调成什么更好？

高一点：会有更多不同方案. 想点子需要多样性。高温让概率更平均，不那么显而易见的词也有机会出现。

模型没把握，年份要去核实. 事实前后不一，说明模型没有确定答案。最后一次或出现最多的都不保证正确，要查来源。

“AI 入门”课程第 5 课，共 23 课。免费，有动画和小测验。

模型不会马上只选一个词。它先给每个候选词一个概率，也就是可能性。图里的例子，“今天的天空……”：“蓝色”62%，“灰色”21%，“晴朗”9%，“紫色”2%。剩下的 6% 由其他所有词分：100 − 62 − 21 − 9 − 2 = 6。数字是为了举例编的，但机制是真的。

接下来是采样（sampling）：模型随机抽一个词，但按概率来抽。跑 100 次，“蓝色”大约出现 62 次，“灰色”大约 21 次，因为它们的概率就是这样。所以同一个问题会得到不同回答：开头只要抽到另一个词，整段文字就走上了另一条路。这不是 bug，是特性。

温度是改变这些概率的设置。低温让高的柱子更高：模型几乎总是选“蓝色”，回答很好预测。高温把柱子拉平：连“紫色”都有机会，文字变得更大胆、更随机。还有个类似的设置叫 top-p：模型只从最可能的那些词里选，直到它们的概率加起来达到设定的比例。

低温适合只有一个正确答案的任务：算旅行预算、整理表格、翻译说明书。高温适合想点子：给频道起名、视频剧情、给朋友挑礼物。普通聊天应用里往往没有这个滑块。那就直接说“给我 5 个差别很大的方案”，或者点“重新生成”按钮：模型会把词重新抽一遍。

既然回答是按概率随机抽出来的，一个回答就不是“标准答案”。多重新生成 2–3 次。如果几次回答里的事实对不上，说明模型没把握：去可靠来源核实。陷阱在于：即使温度很低，模型也可能每次都很自信地重复同一个错误。稳定不等于正确。

为什么同一个问题模型会给出不同回答？
正确答案: 它按概率随机挑词. 这就是采样：词是随机抽的，但按概率抽。开头换了一个词，后面整段文字都会变。
想给频道起名，温度调成什么更好？
正确答案: 高一点：会有更多不同方案. 想点子需要多样性。高温让概率更平均，不那么显而易见的词也有机会出现。
你重新生成了 3 次，事件的年份每次都不一样。这说明什么？
正确答案: 模型没把握，年份要去核实. 事实前后不一，说明模型没有确定答案。最后一次或出现最多的都不保证正确，要查来源。