温度参数调的不是聪明程度
很多人把温度当成一个能力旋钮，以为调高模型就更聪明、调低就变笨。实际调的是输出的随机程度：同一个提示，低温度更容易给出稳定、常见、可重复的答案；高温度更容易给出不常见、发散、每次都不一样的答案。它改变的是候选范围，不是知识水平。理解这一点，才不会被「调高试试」这类建议带偏。
低温度适合什么
需要稳定与一致的场景，优先低温度：事实整理、格式转换、术语统一、代码修改、按模板填写、批量处理同类内容。判断标准很简单——同一份输入跑十次，你希望十次结果基本一致。低温度下，模型复述原文、遵守格式、使用常见表达的概率更高，出错也更容易被发现，因为偏差不会藏在花样里。
高温度适合什么
需要发散与多样性的场景，才轮到高温度：起名、想标题、列多个方向的方案、找不常见的切入角度、做头脑风暴。判断标准是你要的是一堆候选，而不是一个正确答案。这类任务的成本在于想得不够开，高温度能把可选空间撑大。代价是稳定性下降，需要你自己筛，不能直接拿去用。
多数写作场景在中间偏低
写文章、写说明、写邮件这类任务，既要求准确又希望不僵硬，中间偏低的区间通常最省事。太低会写得像模板，句子结构重复、过渡生硬；太高会开始加料，补充你没提供的细节。经验做法是先在中低区间跑一版，看它有没有跑题或编造，再决定往哪边微调——跑题就往低，僵硬就往高。
温度的影响与提示词清晰度成反比
提示词越模糊，温度的影响越明显，因为可选空间大；提示词把约束写清，温度的作用就被压缩。长度、结构、必须包含的要素、禁止出现的内容，这些写得越具体，高低温度之间的差异越小。所以遇到结果不稳定时，第一解法通常不是调温度，而是把要求写具体——这一步能解决大部分问题，而且换模型也不失效。
三个可操作的做法
- 做一次对照：同一提示，低与高各跑三次，比较差异出现在哪里——措辞、事实、还是结构。看清差异，才知道该往哪边调。
- 按阶段分别设：先用低温度出提纲与事实框架，再调高做表达发散，最后回落做校对。一篇文章里用两三个设置是正常的。
- 不要照搬别人的数值：不同产品的刻度不同，有的 0 到 1，有的 0 到 2，同一个数字在不同模型上效果并不一样。
一个案例
某人要给一份产品说明写十个标题。第一次用低温度跑了十次，结果八个几乎一样，只换了两个词。改法是两步：把温度调高，同时补一句「每条标题用不同切入角度：人群、场景、结果、对比、疑问」。这次十个标题方向明显分开。但他后来写参数表时又把温度调回低档，因为高温度下模型开始自行补充不存在的规格。同一篇内容，两个环节用了两种设置，这不是矛盾，是按任务分配。
容易走偏的地方
一是把高温度当成提升质量的手段，结果只是更花哨；二是把低温度当成保证正确的开关，它只提高稳定性，不解决事实错误；三是照抄别人的推荐值，忽略各家刻度不同；四是忽略随机性本身——即使温度固定，输出也未必完全一致，需要严格一致的格式时应依赖模板与核对，而不是指望参数。四个问题的共同点是把一个调节项当成了质量项。
局限声明
各产品的参数命名、取值范围与默认值不同，且会随版本调整。本文讲的是通用原理与调节思路，具体设置请以你所使用产品的现行说明为准；涉及事实、数据与合规的内容仍需人工核对。