研究温度多样性采样的收益边界

特拉维夫大学研究团队（Aviv Orly 等）发布论文，在 pass@K 设置下分析大语言模型多温度采样何时有益。结论是：即使理论最优的多温度分配能提升表现，当温度按采样预算 K 调优后，相对单温度基线的增益通常有限。 研究覆盖多模型、多数据集，逐题分析成功概率随采样温度的变化。团队发现更难的问题越少共享高效的采样温度，但该趋势仅随难度呈对数变化，难以支撑温度多样性的显著收益。论文已被 NeurIPS 2026 接收。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。