LLM Temperature与Top-P采样可视化
用一组内置的12个模拟token概率分布，直观展示温度(Temperature)和核采样(Top-P)参数如何改变大模型输出的随机性，非真实模型推理。
免费在线工具
Loading…
使用说明
- 拖动“Temperature”滑块（0~2，步长0.05），观察概率分布随温度升高变得更平坦、随温度降低变得更集中的过程。
- 拖动“Top-P”滑块（0~1，步长0.05），观察累积概率超过设定阈值的低概率token被截断（灰色显示）后的效果。
- 也可以直接点击预设按钮（确定性、平衡、创意、狂野、默认）快速套用一组常见的T/Top-P组合。
- 查看上方三个统计卡片：分布熵（越高越随机）、有效Token数（概率大于0的token数量）、当前概率最高的token及其百分比。
- 下方Token概率分布条形图会实时刷新，柱子长度代表相对概率大小，被Top-P截断的token会以浅灰色、低透明度显示。
- 点击“加载示例（默认分布）”可以随时重置Temperature=1.00、Top-P=1.00的原始分布。
功能介绍
- 内置12个固定的模拟token及其基础概率（用水果名称代表词表中的候选token），本地模拟温度和Top-P采样效果，不调用任何真实大模型API
- Temperature滑块通过“取对数logits→除以T→重新softmax”的标准算法调整分布锐度
- Top-P滑块按概率降序累加，只保留累积概率不超过阈值的token并重新归一化，其余token概率归零
- 实时计算并展示分布熵(Entropy)、有效Token数量、最高概率token及其百分比三项统计指标
- 5组预设参数组合（确定性/平衡/创意/狂野/默认）一键应用，快速体验不同采样策略的效果
- Token概率分布条形图可视化，直观区分“保留”与“被Top-P截断”的token
使用场景
理解Temperature参数含义
调用OpenAI/Anthropic等API前，通过拖动滑块直观感受temperature从0到2变化时输出分布从“确定”到“随机”的连续过程，辅助选择合适的参数值。
理解Top-P（核采样）截断机制
观察Top-P从1.0降到较小值时，低概率候选token是如何被逐步排除出采样范围的，帮助理解Top-P与Temperature的配合逻辑。
培训或分享中做参数教学演示
给团队新人或学生讲解LLM采样参数时，用这个可视化工具代替纯文字公式讲解，更直观地展示分布变化。
对比常见参数预设的分布差异
通过5个预设按钮快速切换“确定性”“平衡”“创意”“狂野”等常见配置，对比它们对应的熵值和有效token数量差异，辅助确定业务场景下的默认参数。
常见问题
这个工具是真的在调用GPT或Claude的API做采样吗？
不是，工具使用的是12个内置的固定模拟token及其概率，所有计算（softmax缩放、Top-P截断）都在浏览器本地完成，不会请求任何真实大模型接口。
为什么不同厂商的temperature取值范围不完全一致，这里的0~2准确吗？
0~2是该工具选取的一个通用演示范围，用于清晰展示分布从集中到平坦的变化趋势；实际调用API时请以对应厂商文档标注的取值范围为准（部分模型上限为1或2）。
“分布熵”具体是怎么算的？
采用信息熵公式 H = -Σp·log2(p)，对当前应用了Temperature和Top-P之后的概率分布逐项计算并求和，熵越高代表分布越接近均匀（越随机）。
Top-P设为1.0时会截断token吗？
不会，Top-P=1.0表示保留全部候选token的累积概率范围，此时只有Temperature在起作用。
能否修改内置的token列表和初始概率？
当前版本的12个token及其概率是固定内置的演示数据，用于保证不同用户看到的分布变化一致，暂不支持自定义替换。