temperature
PulseAugur coverage of temperature — every cluster mentioning temperature across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
Anthropic 的 Claude API 2026-10-21 引入了破坏性更改
Anthropic 发布了其 Claude API 的更新版本 2026-10-21，该版本对 Messages API 引入了破坏性更改。这些更改包括移除了 `temperature`、`top_p` 和 `top_k` 参数，现在会导致 400 错误。此外，助手消息中的文档块和用户消息中的引用也将返回 400 错误。Admin API 和 Enterprise Analytics API 中的多个字段已重命名。开发者可以通过发送 …
-
新方法试图修复语言模型的“遗忘”问题
研究人员开发了一种方法来缓解语言模型的“遗忘”现象，即模型在针对新指令或主题进行微调后，其预测标准文本的能力会下降。所提出的技术涉及对模型最终的 token 预测应用固定的调整，例如词汇偏差或温度修改。虽然这些固定的调整可以恢复高达 36% 在未见文本上损失的性能，但大部分原始损失仍未得到解决，特别是对于在数学数据集上进一步预训练的模型。
-
理解LLM基础：Token、上下文窗口和温度
本文解释了大型语言模型（LLM）背后的基本概念，重点介绍了影响其文本生成能力的几个关键要素。文章详细说明了Token是什么，包括词、子词、短语和字符Token等不同类型，并介绍了字节对编码（BPE）作为一种常见的Token化方法。解释还涵盖了上下文窗口，它决定了LLM一次可以处理多少文本，以及更大的上下文窗口与计算成本之间的权衡。最后，文章简要介绍了温度作为控制LLM输出的随机性和平衡连贯性的参数。
-
OpenAI API 术语详解：上下文窗口、输出限制和 token
一篇 Reddit 帖子澄清了关于 OpenAI API 术语的常见混淆，包括上下文窗口和最大输出 token 之间的区别。它解释说，上下文窗口同时包含输入和输出，而最大输出仅限制生成的响应。该帖子还将 token 与单词区分开来，详细说明了 temperature 和 top_p 如何控制输出的随机性，并介绍了推理 token 的概念，该概念是模型内部使用的，但可能计入输出限制和计费。
-
AI 智能体可观测性：追踪多轮对话和工具调用
AI 智能体可观测性对于理解和调试复杂的多轮对话至关重要。与具有固定路径的传统应用程序不同，AI 智能体涉及模型调用、工具执行和知识检索的动态序列。在会话级别而非单个请求级别进行追踪，可以全面了解智能体的工作流程，包括令牌使用量、延迟和错误等参数。记录有关模型和工具调用的详细信息，以及版本控制和成本归属，对于维护信任和验证智能体行为至关重要。
-
LLM 重试以获得有效 JSON 输出，任务成本可能翻倍
由于需要验证和重试，使用 LLM 执行 JSON 提取等任务的成本可能远高于基础 API 价格。虽然 API 调用按 token 计费，与输出质量无关，但 temperature 和 seed 等设置会影响生成可用输出的成功率。较高的 temperature 会增加出错的可能性，导致更多的重试，从而增加总体成本，对于需要严格验证的任务，价格可能翻倍。
-
LLM提示的最佳实践以实现生产可靠性
本文解释了在生产应用程序中使用大型语言模型（LLM）时遇到的常见陷阱并提供了解决方案。它详细介绍了LLM的随机性如何通过“temperature”设置控制，即使在低temperature下也可能导致幻觉。文章还涵盖了思维链（Chain of Thought）提示技术，包括零样本（Zero-Shot）和少样本（Few-Shot）CoT，并强调了使用JSON schema进行结构化输出以防止错误的重要性。最后，它概述了五种主要的提示失败模…
-
大语言模型策略：以广度而非深度实现更便宜、更有效的人工智能
作者认为，对于许多任务，特别是涉及大语言模型的任务，广度比深度是更有效、更便宜的策略。与其让单个模型提案变得更复杂或‘更深入地思考’，不如专注于生成大量多样化的候选者，然后进行高效筛选。这种被称为‘广度是廉价的维度’的方法，与优先考虑单一、深度推理的思维链的典型代理堆栈形成对比。虽然延迟和成本核算会带来阻力，但核心思想是，生成许多基于文本的替代方案在计算上成本不高，而执行操作或工具调用应保持单线程、审慎的步骤。
-
新AI系统利用条件规划无机材料合成
研究人员开发了CondMSP，一个用于规划无机材料合成的新系统。与以往分别预测组分的方法不同，CondMSP将温度、时间和气氛等条件整合到规划过程中。这使得它能够利用这些条件作为生成合成路线的上下文，并在炉次运行等有限的实验资源下优化路线执行。
-
Codex rust-v0.160.1 发布改进了环境变量处理
Codex 发布了 rust-v0.160.1 版本，该版本改进了启动远程 stdio MCP 服务器时管理环境变量的功能。此更新确保保留 SYSTEMROOT、TEMP 和 TMP 变量，允许 Unix 主机维护 Windows 执行器的启动环境。
-
新的基准测试RxnOptBench对LLM进行化学反应优化测试
研究人员开发了RxnOptBench，这是一个旨在评估大型语言模型（LLM）在优化化学反应条件方面能力的新基准测试。与以往侧重于反应分类或逆合成等任务的基准测试不同，RxnOptBench专门评估LLM分析真实反应筛选表并选择催化剂、配体、溶剂、温度和时间等最佳参数的能力。该基准测试使用来自2025篇有机方法学论文的数据，并根据产率和立体选择性指标（如对映体过量（ee）、非对映体比例（dr）和区域异构体比例（rr））的综合得分来衡量性…
-
新基准揭示气候降尺度方法的权衡
一篇新研究论文介绍了一种用于评估空间气候降尺度方法的多指标基准。研究强调，不同的评估指标可能导致关于方法性能的不同结论，揭示了点精度与保留精细尺度变异性之间的权衡。该研究强调了使用多个指标来全面评估不同降尺度技术保留了气候场的哪些特性的必要性。
-
语言模型采样参数与增强创造力的物质进行比较
一篇博文将语言模型中的采样参数与影响人类创造力的物质进行了类比。它将温度等参数比作大麻如何改变思维中的过滤机制，从而产生更多不寻常的联想。作者指出，虽然这些参数会影响模型如何选择下一个词，但较新的推理模型正在抽象化对这些设置的直接控制，而是专注于通过计算来增强思维。
-
工程师指南：理解 LLM 的数学之外的行为
本文旨在为工程师提供对大型语言模型（LLM）如何运作的实际理解，侧重于心智模型而非复杂的数学。文章解释说，LLM 本质上是在预测序列中的下一个词元（token），而涌现的智能就源于这个过程数十亿次的重复。文章详细介绍了从提示（prompt）到词元化（tokenization）、模型前向传播（model forward pass）、采样（sampling）和反词元化（detokenization）的推理流程的核心组成部分，以帮助工程师理…
-
LLM采样参数顺序会悄无声息地改变模型输出
temperature、top_k 和 top_p 等采样参数的应用顺序，对大型语言模型的输出有着显著影响。存在两种常见的堆栈顺序：先应用 temperature，然后是 top_k，最后是 top_p；或者先应用 top_k，然后是 top_p，最后是 temperature。在 top_p 之前应用 temperature 会改变 top_p 所测量的累积质量，从而导致不同的 token 选择。这种差异通常是悄无声息的，这意味着由…
-
揭秘 AI：为日常用户解读关键概念
理解人工智能需要掌握几个核心概念，即使没有计算机科学背景。AI 处理文本不是将其视为单词，而是“标记”（tokens），这是定价、内存限制和处理时间的基本单位。“上下文窗口”（context window）定义了 AI 一次可以考虑的文本量，这会影响其回忆对话或文档早期部分的能力。“温度”（temperature）是一个控制 AI 创造性与可预测性之间平衡的设置，较低的设置会产生更保守的输出，而较高的设置会鼓励更具新颖性、有时甚至是无…
-
Anthropic Python SDK v1.0 弃用关键参数，造成文档混乱
Anthropic 发布了其 Python SDK 的 1.0.0 版本，该版本在其 Messages API 中移除了对 temperature、top_p 和 top_k 参数的支持。此更改将于 2026 年 8 月生效，并将最低 Python 版本提高到 3.10，并将 HTTP 层更新到 httpx2。然而，SDK 的文档和 API 参考目前在这些参数方面提供了冲突的信息。API 参考仍将 temperature、top_p …
-
自由意志被比作温度，是一种有用的抽象概念
自由意志的概念可以被理解为类似于温度，它是一种有用的抽象工具，用于分析人类行为等复杂系统。正如温度有助于模拟气体行为，因为精确的原子细节不切实际，自由意志也有助于预测人类行为，因为精确的环境和个人条件并非完全未知。这种观点表明，这两个概念都是理解过于复杂而无法进行完全确定性建模的系统的有用近似。
-
语言模型温度：它如何影响标记选择
文章解释说，语言模型中的“温度”参数实际上并没有增加创造力，而是影响模型选择不太可能出现的标记的意愿。温度在 softmax 函数之前作为除数应用于 logits，softmax 函数将原始分数转换为概率。较低的温度会锐化概率分布，将质量集中在排名靠前的标记上，而较高的温度会使分布变平，从而为排名较低的标记赋予更多权重，但不会改变它们的根本排名。
-
LLM 温度：并非创造力，而是概率分布控制
LLM 温度参数常被误解为创造力旋钮，但它实际上控制着在采样下一个 token 之前如何重塑模型的概率分布。温度为 1.0 时按原样使用分布，而较低的温度会通过偏向更可能的 token 来锐化分布，较高的温度则通过让不太可能的 token 有更大的机会被选中来使分布变平。对于需要正确性的任务，如分类或结构化输出，开发者应默认使用温度 0，仅在需要方差时（如开放式生成）才增加它。