浅谈大模型参数TopP和TopK

大语言模型中的temperature、top_p和top_k参数是用来控制模型生成文本时的随机性和创造性的。下面分享一下topP和topK两个参数的意义及逻辑；

top K（Top-K Sampling）

• 作用：只从模型认为最可能的k个词中选择下一个词。k值越大，选择范围越广，生成的文本越多样；k值越小，选择范围越窄，生成的文本越趋向于高概率的词。

• 常见设置：一般设置在40到100之间。较小的k值可以提高文本的相关性和连贯性，而较大的k值则增加了文本的多样性。

top P（Nucleus Sampling）

• 作用：从概率累计达到p的那一组词中随机选择下一个词。与Top-K不同，Top-P是动态的，依据每个上下文的不同而变化。

• 常见设置：通常设置在0.8到0.95之间。较低的top_p值（如0.8）使生成的文本更加可预测和相关，而较高的值（如0.95）增加了文本的多样性和创造性。

top K VS top P

• top_k提供了一个固定数量的候选词，而top_p提供了一个动态变化的候选词集合，其大小取决于特定上下文中词的概率分布。

• 使用top_k可能会导致生成的文本在不同情况下过于类似，因为它总是从固定数目的最可能的词中选择。相比之下，top_p提供了更多的灵活性和多样性，因为它允许根据上下文的不同选择不同数量的候选词。

通俗理解top P和top K背后逻辑