快速回答：Temperature 是什麼？
Temperature（溫度）是控制 AI 語言模型輸出「隨機程度」的參數。Temperature 越低，回答越固定、可預測；Temperature 越高，回答越多變、有創意。你在使用 ChatGPT、Claude 等 AI 工具的 API 時，都可以調整這個參數。
Temperature 的正式定義
在大型語言模型中，Temperature 是一個介於 0 到 2 之間的浮點數參數，它透過縮放 logit 值（模型對每個候選 Token 的原始分數）來改變 Softmax 機率分布的形狀。
技術上的運作方式：
- 模型為每個可能的下一個 Token 計算一個 logit（原始分數）
- 每個 logit 除以 Temperature 值
- 經過 Softmax 函數轉換成機率分布
- 根據這個機率分布抽樣選出下一個 Token
Temperature 低 → logit 差異被放大 → 高分 Token 的機率更集中 → 輸出更確定。
Temperature 高 → logit 差異被壓縮 → 各 Token 機率更平均 → 輸出更隨機。
白話解釋：Temperature 就像什麼？
想像你在一家餐廳點餐。
- Temperature = 0：你每次都點「最安全」的招牌菜，永遠不變。
- Temperature = 0.7：你通常點招牌菜，但偶爾會試試新菜色。
- Temperature = 1.5：你完全隨機亂點，可能點到驚喜，也可能踩雷。
Temperature 就是 AI 的「冒險程度旋鈕」——轉低了很穩但無聊，轉高了有驚喜但可能出錯。
數值怎麼設定？
| Temperature | 特性 | 適合場景 |
|---|---|---|
| 0 | 幾乎確定性輸出，每次結果一致 | 分類、資料擷取、格式轉換 |
| 0.1–0.3 | 高度精確，偶有微小變化 | 程式碼生成、數學計算、FAQ 回答 |
| 0.5 | 平衡精確與多樣 | 摘要、翻譯、一般問答 |
| 0.7 | 自然流暢，適度多樣 | 一般寫作、email、文案 |
| 1.0 | 高度多樣，創意輸出 | 故事創作、腦力激盪、詩歌 |
| 1.5–2.0 | 非常隨機，可能不連貫 | 實驗用途、極端創意探索 |
不同場景的建議設定
程式碼生成（Temperature 0–0.2）
寫程式需要精確性，不需要「創意」。低 Temperature 確保語法正確、邏輯一致。
問答與摘要（Temperature 0.3–0.5）
需要準確但自然的回答。稍微高一點的 Temperature 讓語言不會太死板。
一般寫作（Temperature 0.7）
Email、部落格文章、文案。需要自然流暢又不至於離題的平衡點。
創意發想（Temperature 1.0+）
腦力激盪、故事創作、廣告標語。高 Temperature 讓模型跳出慣性思維，產生意想不到的組合。
Temperature vs Top-P
Temperature 和 Top-P（又稱 Nucleus Sampling）都影響輸出的隨機性，但機制不同：
| 參數 | 作用方式 | 效果 |
|---|---|---|
| Temperature | 縮放所有 Token 的 logit 值，改變機率分布形狀 | 整體放大或縮小隨機性 |
| Top-P | 只保留累積機率達到 P 值的 Token，截斷其餘 | 動態限制候選 Token 數量 |
2026 注意事項：Reasoning Model
2026 年出現了許多 Reasoning Model（推理模型），例如 OpenAI o3、Claude 的 extended thinking 模式。使用這類模型時，有一個重要的注意事項：
這是因為 Reasoning Model 在回答前會先進行內部推理（Chain-of-Thought），最終答案是推理的結論，而不只是「下一個最可能的 Token」。Temperature 只影響表面的文字選擇，不影響推理品質。
常見誤解
「Temperature 越低 AI 越聰明」
Temperature 不影響模型的知識或推理能力，只影響輸出的隨機性。低 Temperature 讓回答更一致，不代表更正確。
「Temperature 設 0 就是確定性」
理論上 Temperature = 0 應該每次輸出相同結果，但實際上由於浮點運算精度和 GPU 並行計算的不確定性，即使 Temperature = 0 也可能有微小差異。
「所有模型的 Temperature 效果都一樣」
不同模型對同一個 Temperature 值的反應不同。Claude 的 Temperature 0.7 和 GPT 的 Temperature 0.7 產生的隨機程度可能不一樣。需要根據具體模型測試。
「Temperature 是最重要的參數」
Prompt 的品質對輸出的影響遠大於 Temperature。一個好的 Prompt 搭配預設 Temperature，通常比一個差的 Prompt 搭配完美 Temperature 效果更好。
常見問題 FAQ
Temperature 設多少最好？
沒有萬用答案。程式碼和資料擷取建議 0–0.2；問答和摘要建議 0.3–0.5；一般寫作建議 0.7；創意發想建議 1.0 以上。根據任務需求調整。
Temperature 和 Top-P 有什麼不同？
Temperature 調整所有 Token 的機率分布形狀，Top-P 則直接截斷累積機率低的候選 Token。兩者都影響輸出多樣性，但作用機制不同。通常調一個就好，不建議同時大幅調整兩個。
Temperature 設 0 會怎樣？
Temperature 設 0（或接近 0）時，模型幾乎總是選擇機率最高的 Token，輸出非常確定、可重複。適合需要一致性的任務，但可能過於死板。
Reasoning Model 需要調 Temperature 嗎？
不建議。2026 年的 Reasoning Model（如 o3、Claude 的 extended thinking）的準確度由推理過程決定，不是由 Temperature 控制。降低 Temperature 不會讓它「更聰明」，反而可能限制推理路徑的探索。
Temperature 太高會怎樣？
Temperature 過高（例如 2.0）會讓輸出變得不連貫、出現亂碼或無意義的文字。模型會開始選擇低機率的 Token，結果就是胡言亂語。
不同 AI 模型的 Temperature 範圍一樣嗎？
不完全一樣。大多數模型的 Temperature 範圍是 0–2，但實際效果因模型而異。同樣的 Temperature 值在不同模型上可能產生不同程度的隨機性。