一、核心概述
调用/交互大语言模型（LLM）时，可通过调整模型参数，控制输出的确定性、创造性、长度、重复度等，提升回答精准度与实用性，不同模型参数逻辑通用。
二、关键参数详解（含数值范围）
1. Temperature 温度值
-
取值范围：0～2
-
数值越低（0～0.2）：结果固定、确定、贴合事实，逻辑性强，适合：专业问答、数据整理、知识库、代码编写
-
数值中等（0.2～0.5）：均衡实用，适合：日常文案、总结、翻译、办公写作（最常用区间）
-
数值偏高（0.5～1.0）：偏创意，适合：文案改写、短视频脚本、剧情文案
-
数值偏高（1.0～2.0）：高随机、脑洞化，适合：诗歌、故事、创意脑洞、趣味创作
2. Top_P 核采样
-
取值范围：0～1
-
原理：仅选取累计概率达标top_p的词元生成内容
-
数值越低（0.1～0.3）：只选用高概率词汇，答案精准、保守、统一
-
数值中等（0.3～0.7）：通用均衡，适合绝大多数日常场景
-
数值越高（0.7～1.0）：纳入低概率词汇，表达更多变、丰富
-
搭配原则：Temperature、Top_P 二调其一，不同时改动
3. Max Length 最大生成长度
-
取值范围：无固定区间，按场景设置
-
短句/问答：256～512 Token
-
中等文案/解说文案/报告：1024～2048 Token
-
长文/完整故事/深度分析：3072～8192 Token
-
作用：避免内容冗长、无关废话，同时控制调用成本
4. Stop Sequences 停止序列
-
无数值，为自定义字符/符号（如###、---、11、总结：）
-
用途：精准控制格式、条目数量、段落结构（命中指定字符即刻停止生成）
5. Frequency Penalty 频率惩罚
-
取值范围：-2～2
-
定义：按词汇出现次数加权惩罚，值越高，高频重复词汇压制越强
-
0～0.3：轻微抑制，适合常规写作
-
0.3～1.0：强抑制，杜绝词语重复、句式堆砌，适合长文案
-
负数：鼓励重复，适合固定话术、标准化话术输出
6. Presence Penalty 存在惩罚
-
取值范围：-2～2
-
定义：只要词汇出现过就统一惩罚，和重复次数无关
-
0～0.3：内容聚焦、逻辑集中，适合干货、解析类内容
-
0.3～1.0：拓展思路、多角度表达，适合改写、扩写、创意内容
-
负数：限制新内容，输出更单一、同质化
-
搭配原则：Frequency Penalty、Presence Penalty 二选一调整
三、通用使用原则
-
事实类、严谨类任务：低温（0～0.2）、低Top_P（0.1～0.3）、低惩罚（0～0.3）；
-
创意类、改写类任务：高温（0.5～1.0+）、高Top_P（0.7～1.0）、高惩罚（0.3～1.0）；
-
同类控制参数只调整一个，避免输出逻辑混乱；
-
最终效果会随LLM版本、模型能力产生轻微差异。
四、一键套用标准参数组合
严谨事实版（科普、解说文案、问答、代码）
- Temperature：0.2 | Top_P：0.3 | Frequency Penalty：0.2
创意创作版（脚本、改写、故事、灵感文案）
- Temperature：0.8 | Top_P：0.8 | Presence Penalty：0.6