它们作用的对象不同。temperature 重塑整条分布但不删掉任何人——它决定强的候选看起来比弱的强多少；top_p 则是直接删人，累积概率一达到你设的门槛就切线。之所以不建议一起调，是因为两者会互相干扰：调高 temperature 会把曲线压平，同一个 top_p 就需要更多候选才累积到门槛，于是留下你以为已经排除掉的字。只动一个、看着裁决链，就能直接看见这种干扰。

top_k 是固定人数：留下概率最高的 k 个、其余丢掉、重新正规化。top_p 是固定的概率份额，常称为核取样（nucleus sampling）：从最可能的开始往下累加，累积值一达到 p 就停。把总和推过 p 的那一个会被留下，因为少了它就凑不到门槛——这也是为什么 p 设得小的时候可能只剩一个字。top_k 永远留同样数量的选项；top_p 留下的数量则随模型在那一步有多确定而变。

因为最后一步是抽签，不是决策。三个参数只决定哪些候选还有资格、各自的权重是多少；真正吐出来的那个字，是从这组加权集合里抽出来的。所以参数完全相同的两次执行共用同一个候选池，仍然可能落在不同的字上。在这里按「再抽一次」，会看到裁决链完全不动、结果却换人——那就是剩下的随机性的全部。把 temperature 设成 0 会让候选池收成单一候选，这也是它表现得像确定性行为的原因。

一次只动一个，并且看它对裁决链做了什么，而不是去找一个建议数值。太发散通常代表低概率的候选还有资格留下，这时收紧裁切——把 top_p 或 top_k 调小——可以删掉它们，而不动到剩下那些的形状。一直重复通常代表候选池已经塌缩到一两个强势候选上，这时调高 temperature 才是把差距拉开的那根杠杆。一个实用的方法：固定其中两个，把第三个从保守扫到积极，停在存活集合看起来符合你任务的地方。没有一组普遍正确的数值，这也是这个工具展示机制而不推荐设定的原因。

起始分布是为了演示而构造的，画面上也这样标示，所以它不是来自模型。但它下游的一切都是在你浏览器里即时运算，而且与真实取样器的做法一致。所以机制可以带到你自己的调用上，具体数字不行。你的调用用的是不同的 prompt，可能还是不同的模型、tokenizer 与裁决器顺序，而且供应商可能加上这个页面没有模拟的步骤，例如重复或频率惩罚。想要一组真实分布来实验，可以载入浏览器内的小模型，同一条链会跑在它真正的输出上。

三种，每一种都刻意让不同的裁决器成为主角。一枝独秀时，截断几乎没东西可删，只有 temperature 动得出可见的效果。势均力敌时，top_p 稍微一动就换一批存活者，这是体会「为什么同一个问题会有不同答案」最直接的方式。长尾时，做粗活的是 top_k——它砍掉的是整条尾巴而不是几个落单的。依形状而不是依主题挑情境是刻意的：形状才决定哪个参数值得动，而那正是值得学的东西。