Top-p Sampling
Top-p 采样
Top-p 采样会按概率排列候选 token，再保留累计概率达到 p 的最小一组，最后从这组选出下一个 token。
另一个例子
下一个 token 的概率总和是 1.0，工程师把 top-p 设为 0.9。只有累计概率达到 0.9 的最小一组可以被选中；这组的 token 数量不像 top-k 那样固定。
主要部分
- 01排序后候选
- 02累计阈值
- 03可采样核心集合
什么时候用
要用累计概率动态限制下一个 token 的候选范围，可以使用这个词。
什么时候不要用
不要把 top-p 当成整份答案的质量分数或置信阈值。
代码里的名称
cumulative_probability >= p 上线前要检查
检查模型与提示词版本、参考数据、有版本号的评估集与指标。验证答案能否连回来源证据，也要检查工具权限与隐私。再检查常见失败、拒答、安全备用做法与人工复核。也要检查监控、成本、速度与恢复方式。
预期结果：使用或评估 Top-p 采样 (Top-p Sampling)，让 AI 行为可以衡量，也能连回证据。 用户场景：下一个 token 的概率总和是 1.0，工程师把 top-p 设为 0.9。只有累计概率达到 0.9 的最小一组可以被选中；这组的 token 数量不像 top-k 那样固定。 AI 方法或概念：Top-p 采样 (Top-p Sampling)。 适用理由：要用累计概率动态限制下一个 token 的候选范围，可以使用这个词。 不应使用的情况：不要把 top-p 当成整份答案的质量分数或置信阈值。 AI 要求：定义输入与参考证据。设置模型和工具权限。使用有版本号的评估数据与指标。说明失败、拒答、隐私、速度与成本限制。 运营防护：保留可查询记录，并隐藏其中的敏感数据。提供用户看得懂的安全备用做法。标出必须由人工复核的步骤，并定义模型或提示词的恢复方式。 验收标准：在有版本号的评估集上记录当前基线与目标。测试边界案例与恶意输入。验证安全备用做法、监控、权限与恢复方式。 证据与限制（证据边界）：它只代表该来源的官方说法。其他平台或团队可能有不同用法。 待确认：目标任务、模型与版本、评估负责人、参考数据、风险阈值、工具权限，以及生产环境的安全备用做法。
检查这份需求
请 AI 编程助手检查当前如何使用 Top-p 采样 (Top-p Sampling)。 定义：Top-p 采样会按概率排列候选 token，再保留累计概率达到 p 的最小一组，最后从这组选出下一个 token。 生产环境检查：检查模型与提示词版本、参考数据、有版本号的评估集与指标。验证答案能否连回来源证据，也要检查工具权限与隐私。再检查常见失败、拒答、安全备用做法与人工复核。也要检查监控、成本、速度与恢复方式。 修改程序前，先列出看到的证据、缺口、严重程度，以及最小且安全的修正。