Top-p Sampling
Top-p 取樣
Top-p 取樣會依機率排列候選 token，再保留累積機率達到 p 的最小一組，最後從這組選出下一個 token。
另一個例子
下一個 token 的機率總和是 1.0，工程師把 top-p 設為 0.9。只有累積機率達到 0.9 的最小一組可以被選中；這組的 token 數量不像 top-k 那樣固定。
主要部分
- 01排序後候選
- 02累積門檻
- 03可取樣核心集合
什麼時候用
要用累積機率動態限制下一個 token 的候選範圍，可以使用這個詞。
什麼時候不要用
不要把 top-p 當成整份答案的品質分數或信心門檻。
程式裡的名稱
cumulative_probability >= p 上線前要檢查
檢查模型與提示詞版本、參考資料、有版本編號的評估集與指標。驗證答案能否連回來源證據，也要檢查工具權限與隱私。再檢查常見失敗、拒答、安全退路與人工覆核。也要檢查監控、成本、速度與回復方式。
預期成果：使用或評估 Top-p 取樣 (Top-p Sampling)，讓 AI 行為可以衡量，也能連回證據。 使用者情境：下一個 token 的機率總和是 1.0，工程師把 top-p 設為 0.9。只有累積機率達到 0.9 的最小一組可以被選中；這組的 token 數量不像 top-k 那樣固定。 AI 方法或概念：Top-p 取樣 (Top-p Sampling)。 適用理由：要用累積機率動態限制下一個 token 的候選範圍，可以使用這個詞。 不應使用的情況：不要把 top-p 當成整份答案的品質分數或信心門檻。 AI 要求：定義輸入與參考證據。設定模型和工具權限。使用有版本編號的評估資料與指標。說明失敗、拒答、隱私、速度與成本限制。 營運防護：保留可查詢記錄，並隱藏其中的敏感資料。提供使用者看得懂的安全退路。標出必須由人員覆核的步驟，並定義模型或提示詞的回復方式。 驗收條件：在有版本編號的評估集上記錄目前基準與目標。測試邊界案例與惡意輸入。驗證安全退路、監控、權限與回復方式。 證據與限制（證據邊界）：它只代表該來源的官方說法。其他平台或團隊可能有不同用法。 待確認：目標任務、模型與版本、評估負責人、參考資料、風險門檻、工具權限，以及正式環境的安全退路。
檢查這份需求
請 AI 程式助手檢查目前如何使用 Top-p 取樣 (Top-p Sampling)。 定義：Top-p 取樣會依機率排列候選 token，再保留累積機率達到 p 的最小一組，最後從這組選出下一個 token。 正式環境檢查：檢查模型與提示詞版本、參考資料、有版本編號的評估集與指標。驗證答案能否連回來源證據，也要檢查工具權限與隱私。再檢查常見失敗、拒答、安全退路與人工覆核。也要檢查監控、成本、速度與回復方式。 修改程式前，先列出看到的證據、缺口、嚴重程度，以及最小且安全的修正。