采样温度是生成式 AI 模型中控制输出随机性的核心参数，用于调整 token 预测的概率分布，平衡输出的多样性与确定性，通常取值范围为 0 至 2，值越高输出越发散，越低则越聚焦于高概率结果。
对 AI 生成内容的实用性至关重要，不同场景对输出的多样性需求差异显著：创意类内容需高温度激发灵感，事实类内容需低温度确保精准。该参数直接决定输出是否贴合用户预期，避免内容要么过于重复死板，要么偏离主题无意义，是优化生成质量的关键变量。
OneOneTalk 的数字分身产品中，采样温度被用于适配不同任务的输出需求：处理需精准性的事务回执时，会设置较低温度确保信息准确一致；生成需丰富性的共写历史内容时，会调整为较高温度以提升表达多样性。目前产品中该参数可在对应任务配置环节进行调整，优化输出与用户需求的匹配度。
采样温度的核心是对大语言模型的 token 概率分布进行缩放：模型预测下一个 token 时会生成概率分布，高概率 token 对应更可能被选中。通过温度参数缩放分布后，高温度会让低概率 token 的被选概率提升，增加输出多样性；低温度则强化高概率 token 的权重，减少随机性，本质是 softmax 函数的温度缩放机制，是生成式 AI 的基础控制逻辑。
不同应用场景对采样温度的需求差异明确：代码生成、事实问答等需精准性的场景，通常采用 0.1 至 0.5 的低温度，确保输出的正确性与一致性；创意写作、故事生成等需丰富性的场景，采用 1.0 至 1.5 的高温度，激发内容的多样性；日常聊天等场景多采用 0.6 至 0.8 的中等温度，平衡自然度与连贯性，行业内多按任务类型预设温度值，也允许用户手动调整。
判断采样温度设置是否合理，核心看输出是否贴合预期：若生成内容过于重复单调，多是温度设置过低；若内容偏离主题或出现无意义表述，多是温度设置过高。同时需结合模型特性调整，不同模型的最优温度存在差异，需通过测试优化，避免盲目使用极端温度，确保生成内容的质量与相关性，而非单纯追求高或低数值。