• 采样基础：模型首先计算所有词元(token)的概率分布，再通过采样方法从中选择下一个词元。直觉上选概率最高的“贪婪采样”容易导致输出单调重复，而采样引入“控制随机性”提升多样性。
• 词元分解：采用子词(token)而非单词或字符，既解决了词汇表庞大和未知词问题，又避免了字符级爆炸性序列长度，增强了模型的泛化与跨语言能力。
• 采样技术多样：涵盖温度调节(temperature)、频率惩罚(frequency penalty)、Top-K、Top-P（核采样）、Min-P、DRY（不重复自己）、尾部自由采样(Tail-Free Sampling)、Mirostat自适应采样、Beam Search、对比搜索(Contrastive Search)等。每种方法各有侧重点，如温度调节控制“创造力”，Top-K限制候选词数量，DRY防止n-gram重复，Mirostat动态调整采样以维持稳定惊讶度。
• 采样顺序影响显著：先后执行顺序决定最终概率分布形态。如先温度调节后过滤，会放大概率差异，先过滤后温度则限制选项更严格。惩罚机制放置在前后也会影响重复抑制效果。
• 交互效应：部分采样器组合协同增效（如Top-K+Top-P），而某些组合则相互冲突（如高温度+低Top-K过度限制多样性）。
• 词元化器(tokenizer)设计：BPE和SentencePiece两大主流方法，前者基于频率合并字符对，后者对原始Unicode流编码并显式处理空白，均影响模型预测空间和采样策略的灵活性。
• 采样算法伪代码详解：文档提供了完整伪代码，便于深度理解与实现，如温度采样通过调整logits的比例，DRY通过检测重复n-gram模式动态施加指数惩罚，Mirostat通过反馈控制实现目标惊讶度。
• 长期洞察：合理采样不仅提升即时生成质量，更影响模型在多样性、上下文理解和连贯性之间的权衡，决定了应用场景（创作、对话、代码生成等）的适用性和效果。
了解采样技术的这些本质与细节，有助于构建更智能、更可控的文本生成系统，推动大语言模型实用化和创新边界。
现代采样器入门指南 | #指南
