它們作用的對象不同。temperature 重塑整條分布但不刪掉任何人——它決定強的候選看起來比弱的強多少；top_p 則是直接刪人，累積機率一達到你設的門檻就切線。之所以不建議一起調，是因為兩者會互相干擾：調高 temperature 會把曲線壓平，同一個 top_p 就需要更多候選才累積到門檻，於是留下你以為已經排除掉的字。只動一個、看著裁決鏈，就能直接看見這種干擾。

top_k 是固定人數：留下機率最高的 k 個、其餘丟掉、重新正規化。top_p 是固定的機率份額，常稱為核取樣（nucleus sampling）：從最可能的開始往下累加，累積值一達到 p 就停。把總和推過 p 的那一個會被留下，因為少了它就湊不到門檻——這也是為什麼 p 設得小的時候可能只剩一個字。top_k 永遠留同樣數量的選項；top_p 留下的數量則隨模型在那一步有多確定而變。

因為最後一步是抽籤，不是決策。三個參數只決定哪些候選還有資格、各自的權重是多少；真正吐出來的那個字，是從這組加權集合裡抽出來的。所以參數完全相同的兩次執行共用同一個候選池，仍然可能落在不同的字上。在這裡按「再抽一次」，會看到裁決鏈完全不動、結果卻換人——那就是剩下的隨機性的全部。把 temperature 設成 0 會讓候選池收成單一候選，這也是它表現得像確定性行為的原因。

一次只動一個，並且看它對裁決鏈做了什麼，而不是去找一個建議數值。太發散通常代表低機率的候選還有資格留下，這時收緊裁切——把 top_p 或 top_k 調小——可以刪掉它們，而不動到剩下那些的形狀。一直重複通常代表候選池已經塌縮到一兩個強勢候選上，這時調高 temperature 才是把差距拉開的那根槓桿。一個實用的方法：固定其中兩個，把第三個從保守掃到積極，停在存活集合看起來符合你任務的地方。沒有一組普遍正確的數值，這也是這個工具展示機制而不推薦設定的原因。

起始分布是為了演示而構造的，畫面上也這樣標示，所以它不是來自模型。但它下游的一切都是在你瀏覽器裡即時運算，而且與真實取樣器的做法一致。所以機制可以帶到你自己的呼叫上，具體數字不行。你的呼叫用的是不同的 prompt，可能還是不同的模型、tokenizer 與裁決器順序，而且供應商可能加上這個頁面沒有模擬的步驟，例如重複或頻率懲罰。想要一組真實分布來實驗，可以載入瀏覽器內的小模型，同一條鏈會跑在它真正的輸出上。

三種，每一種都刻意讓不同的裁決器成為主角。一枝獨秀時，截斷幾乎沒東西可刪，只有 temperature 動得出可見的效果。勢均力敵時，top_p 稍微一動就換一批存活者，這是體會「為什麼同一個問題會有不同答案」最直接的方式。長尾時，做粗活的是 top_k——它砍掉的是整條尾巴而不是幾個落單的。依形狀而不是依主題挑情境是刻意的：形狀才決定哪個參數值得動，而那正是值得學的東西。