English(EN) Stop Using Temperature 0 for LLM Evals: Why It Breaks Benchmarks

LLM 评估：Temperature 0 设置破坏基准测试

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-04 15:04

在大型语言模型 (LLM) 评估中使用温度为 0，虽然看似能确保确定性结果，但实际上会破坏基准测试并歪曲模型性能。此设置会以与生产用例不符的方式改变推理过程。感知到的确定性常常是一种错觉，导致评估的是一个与用户将体验到的系统不同的系统。 AI

影响在 LLM 评估中使用温度 0 可能导致不准确的基准测试结果，歪曲模型能力，并可能阻碍有效的模型选择。

排序理由文章讨论了 LLM 评估方法的一个技术方面。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

dev.to — LLM tag TIER_1 English(EN) · TildAlice · 2026-08-04 15:04

Stop Using Temperature 0 for LLM Evals: Why It Breaks Benchmarks

<h2> Temperature 0 Isn't Deterministic — and That Ruins Your Evals </h2> <p>Everyone does it. You're setting up an LLM benchmark, maybe comparing GPT-4 against Claude on some reasoning task, and you dutifully set <code>temperature=0</code> because you want "reproducible results."…