同一个模型、同一个提示“桌上放着……”，可以给杯、书、梨、台灯等候选分配不同可能性。每次总取当前最偏爱的候选，输出容易集中；允许按概率抽取其他候选，四次结果可能更丰富。模型参数并没有因此重新训练，改变的是如何使用它给出的可能性。

温度等设置影响候选的相对集中程度，但不是“创造力旋钮”的保证。更有变化可能带来有用新方案，也可能增加离题结果；总取最可能候选能减少某些随机变化，也不能把错误知识变成事实。本页0.50/0.25/0.15/0.10是构造概率，T=0.35/1/2用于理解选择方式，不是对真实模型多样性或可靠性的统计测量。

而且，一次选择还会改变下一步条件。决定写“杯子”之后，后续描述应接住这个对象；不能在整段生成中反复使用最初那一张候选表。逐步选择最可能的词，也未必找到整段概率最高的句子：一个眼前稍少见的开头，可能通向更集中的后续。完整的小型反例可以在自回归实验里精确枚举。

“多生成几个答案再选，是否自然就更可靠？” 只增加了候选，还要看选择凭什么成立。例如在儿童使用场景中，杯身裂纹是已给出的具体证据；“可以端热水”必须接受这条证据检查。换采样设置没有修好裂纹，也没有使这项建议获得新的支持。

因此，要区分三个可改位置：模型学到了什么，提示与观测提供了什么，以及采样怎样选择。多样性适合探索备选方案；提取编号等任务更需要一致和可核对；涉及当前事实时，补充相关观察往往比继续改种子更直接。

后面比较生成系统时，要把采样设置和评价标准一起说清。下一页继续沿接龙思路，却把要接的对象从词换成图像中的位置与表示。

三态分别展示同一构造概率表在温度0.35、1、2时的概率，并使用同一组2000个均匀随机数进行逆CDF抽样（NumPy PCG64，种子20260929）。金色计数是实际程序抽样所得，有限次数会偏离理论比例；它们不是LLM运行结果。一次选出的词再接入前文，下一位置须重新计算条件分布。可复现计算见源码 authoring/n12_temperature_experiment.py。