练完一遍了？ 用英文写下回答，粘贴到免费自查工具打分（工具按英文要点评分）
考察点
是否从机制上理解采样，能按任务选参数，并知道一个实际注意点：低 temperature 并不能保证严格确定的输出。
评分要点
- Temperature：在 softmax 之前把 logits 除以 T；T 低分布更尖锐，T 高分布更平坦。
- Top-p（nucleus sampling，核采样）：只从累计概率达到 p 的最小 token 集合中采样。
- 怎么选：抽取、分类和代码用低 temperature（0 到 0.3）；头脑风暴和创意文本用中等（约 0.7 到 1.0）；一次只调一个参数。
- 注意点：即使 temperature 为 0，由于 batching 和浮点误差，多次运行的输出也可能不同。
常见扣分点
认为 temperature 为 0 就意味着每次输出完全相同。
参考回答
两者都控制如何从模型的概率分布中采样下一个 token。Temperature 在 softmax 之前缩放 logits。temperature 接近 0 时，概率最高的 token 几乎总会胜出，输出集中且可重复；temperature 更高时，低概率 token 有更多机会，输出更多样，也更容易出错。
Top-p 不是重塑分布，而是截断分布。top-p 为 0.9 时，模型保留合计覆盖 90% 概率的最小 token 集合，只在其中采样，从而切掉那条由低概率 token 组成的长尾。
实践中我按任务设定 temperature：抽取、分类、SQL 或代码这类只有一个正确答案的任务接近 0，头脑风暴或营销文案更高。我通常只调 temperature 或 top-p 其中一个。我也不会承诺 temperature 为 0 时严格确定，因为 batching 和浮点差异仍可能让输出略有不同；如果需要完全可复现，我会缓存结果。
常见追问
top-p 和 top-k 有什么区别？ Top-k 保留固定数量的 token；top-p 保留概率之和达到 p 的可变数量的 token，所以它会随模型的确定程度自动调整。
中文手册想要完整的中文备考方法？
《如何从0到1准备AI Engineer面试》：20 章、5 套答题框架（FLAME、SPARK、FORGE、RISE、EMBER）、100 道题库和 8 周备考计划。
获取中文手册 优惠码 EARLYBF 立减 40%，截至太平洋时间 11 月 3 日 23:59更想读英文版？The 0→1 AI Engineer Interview Playbook，$19.99，Gumroad 英文版。也可以先免费领取 Top 30 题 PDF（英文）。