我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
各自代表意義為：
- Temperature：這個超參數應用於模型推論時的原始輸出 Logits，並在 Softmax 之前進行調整，較小的值，模型將產生更具決定性的輸出，然而，如果溫度值接近或超過 1，模型在 Softmax 後的信心將降低，輸出的隨機性會增加，並且預測會更具變化性，這一選擇代表了多樣性與預測質量之間的權衡
- Token Limit：這個超參數決定了模型將生成的最大序列長度，生成過程將在達到此限制或模型生成一個標誌序列結束的 Token 時停止，Token 限制獨立於其他超參數運作
- Top-K：Top-K 超參數將下一個標記的機率集合限制為 K 的值，Top-K 在 Softmax 之後應用，例如，如果將超參數設置為 40，則將選擇 Softmax 函數後的前 40 個最高機率
- Top-P 或核採樣會將機率按降序排序，然後，它將從最高開始累加機率，直到達到指定的 Top-P 超參數，例如 0.8，一旦機率被採樣，就隨機選擇其中一個作為下一個標記，這個標記隨後將添加到輸入標記序列中，以進行下一個標記的預測，與 Top-K 相比，這種方法傾向於生成更具多樣性和創造性的回應，Top-K 和 Top-P 可以單獨使用，也可以一起使用，如果它們一起使用，則首先應用 Top-K 以減少機率的數量，然後再對結果集應用 Top-P
