每步推 Token 时，模型先算出候选词的 logits，再经过 softmax 得到概率分布。 Temperature 在 softmax 之前对 logits 做等比缩放—— T 越小，缩放后差距越大，分布越尖锐；T 越大，差距越小，分布越平坦。 这是最直接干预"每步采样随机性"的手段， 但它不能区分哪步该保守、哪步可以发散——所以事实问答场景要全程低温，创意场景才适合放开。