📚 核心概念
大语言模型每次生成下一个 token时，会对词表给出概率分布。我们看到的「续写」「创作」效果，很大程度由采样策略决定：
| 参数 | 作用 | 典型范围 |
|---|---|---|
| temperature | 控制随机性：越低越保守（重复高频词），越高越发散（乱编） | 0.1 ~ 1.5 |
| top-p（核采样） | 只从累积概率达 p 的最小词集合里采样，砍掉长尾噪声 | 0.8 ~ 0.95 |
| max_tokens | 限制生成长度，防止无限输出、控制成本 | 16 ~ 4096 |
💡 学习规则（来自 plan.md）
入门阶段只调 temperature 与 max_tokens，先用微型模型（本页用浏览器内古诗 bigram 模拟，约等价于 tiny-gpt2 的教学版）。
固定输入「窗前明月光，」，分别设 temperature = 0.1 / 0.7 / 1.5，各生成 3 次，记录输出差异 — 这就是 Hugging Face Playground 同款实验。
🎮 交互：古诗续写实验室
基于内置唐诗语料的字符级模型，纯浏览器运行，无需 GPU。
窗前明月光，（点击生成）
✅ 阶段 1 验收测验（5 题）
1. temperature 设为 0.1 时，模型输出通常会怎样？
2. top-p = 0.9 的含义是？
3. max_tokens 主要影响什么？
4. 阶段 1 推荐使用的模型规模是？
5. 「验证闭环规则」要求每完成一个演示后做什么？