Temperature 是什么：一个参数决定 AI 回答的"性格"

Temperature（温度）是控制 AI 输出随机性的参数：温度越低，AI 越倾向选择概率最高的词，输出越确定、越保守；温度越高，AI 越敢尝试低概率的表达，输出越多样但可能不连贯。

通俗理解

想象 AI 在写回答时，每个位置都有一群候选词在”排队竞选”。

温度低（如 0.1）： AI 几乎每次都选排在第一位的候选词。结果是输出非常稳定——你问同一个问题十次，可能得到十个几乎一样的答案。像一个严谨的学术顾问，只说最有把握的话。

温度高（如 1.5）： AI 愿意给排名靠后的候选词机会。结果是输出更有创意和变化——但也可能说出不太靠谱的话。像一个即兴发挥的脱口秀演员，有时精彩，有时跑偏。

温度 = 0： AI 每次都选概率最高的那个词，输出完全确定。

在 AI 生成每个 Token 时，模型会给所有候选 Token 计算一个原始分数（Logits）。这些分数经过 Softmax 函数转化为概率分布——所有候选的概率加起来等于 1。

Temperature 参数的作用是在 Softmax 计算之前，对 Logits 做一次缩放：

低温度： Logits 被放大 → Softmax 后概率分布更”尖锐” → 最高概率的 Token 获得压倒性优势 → 输出高度确定
高温度： Logits 被压缩 → Softmax 后概率分布更”平坦” → 各候选的概率差距缩小 → 低概率 Token 也有机会被选中 → 输出更随机

用数学表达就是：每个 Token 的概率 ∝ exp(logit / T)，其中 T 就是温度。T 越小，高分和低分之间的差距被指数级放大。

这是对 GEO 最关键的一点：大多数生产级 AI 产品（Perplexity、ChatGPT 的正常对话模式、百度 AI 搜索等）在处理事实型问题时，倾向使用偏低的温度设置。

原因很直接：用户问”心脏支架手术的费用大概多少”，AI 不能每次给不同的数字。事实型问答需要稳定、一致、可靠的输出，这要求低温度。

低温度意味着 AI 会极端倾向于选择高概率选项。在所有候选信息中，最符合”标准答案”特征的那个会被优先选中。

Temperature 对 GEO 的影响是战略性的——它解释了为什么 AI 系统性地偏好某一类内容。

在低温度下，AI 的选择逻辑是”赢者通吃”。 这意味着：

你的内容越像”标准答案”，被选中的概率越高。 “该方法的采用率为 68%”比”该方法比较流行”在低温度下获得的概率权重高得多。具体、精确、有数据支撑的表述，天然是高概率候选。
“定义→解释→示例→总结”的结构最容易被选中。 这恰好是大模型生成回答时的通用模式。你的内容结构与模型的生成模式匹配度越高，被采用的概率就越大。
模糊、含糊、充满限定词的表述被系统性淘汰。 “可能在某些情况下大致上算是……”这种表述在概率分布中不会获得高权重。

《让AI替你说话：GEO权威指南》35 条策略中的策略 05（温度采样·高概率答案）直接对应这个原理：内容要成为该领域的”高概率答案”——让 AI 生成回答时最倾向引用你的表述。