---
title: "Temperature (LLM) (TH)"
source: "https://systems-analysis.info/int/Temperature_(LLM)_(TH)"
wiki: "systems-analysis.info/int"
article: "Temperature_(LLM)_(TH)"
language: "th"
categories:
  - "Category:Core LLM concepts"
  - "Category:Large language models"
  - "Category:LLM core concepts"
  - "Category:Machine learning"
  - "Category:Thai"
revision_id: 7859
wiki_created_at: 2026-09-07T01:08:03Z
wiki_modified_at: 2026-09-07T01:08:03Z
downloaded_at: 2026-09-07T23:21:13Z
---

# Temperature (LLM) (TH)

**อุณหภูมิ** (อังกฤษ: Temperature) ในบริบทของโมเดลภาษาขนาดใหญ่ (LLM) คือ hyperparameter ที่ควบคุมระดับความสุ่มและ "ความสร้างสรรค์" ในการสร้างข้อความ โดยปรับความ "คมชัด" หรือในทางกลับกัน ความ "เรียบเนียน" ของการแจกแจงความน่าจะเป็นของ token ถัดไปในแต่ละขั้นตอนของการ decoding การปรับอุณหภูมิช่วยให้ควบคุมสมดุลระหว่างความสามารถในการทำนาย (coherence) และความหลากหลาย (ความสร้างสรรค์) ของข้อความที่สร้างขึ้นได้

## คำอธิบายง่าย ๆ

**อุณหภูมิ** คือพารามิเตอร์ที่กำหนดว่า **โมเดลเลือกคำถัดไปอย่างระมัดระวังหรืออิสระเพียงใด** โมเดลภาษาขนาดใหญ่แทบไม่เคยมีทางต่อเพียงทางเดียว: โดยปกติในแต่ละขั้นตอนจะมีตัวเลือกที่เหมาะสมหลายตัว และแต่ละตัวมีความน่าจะเป็นของตัวเอง อุณหภูมิไม่ได้ส่งผลต่อความรู้ของโมเดลหรือ "สิ่งที่โมเดลรู้" แต่ส่งผลต่อ **วิธีที่โมเดลเลือก** ระหว่างตัวเลือกเหล่านั้นในระหว่างการสร้างข้อความ

เมื่อ **อุณหภูมิต่ำ** โมเดลจะมีพฤติกรรมอนุรักษ์นิยมมากขึ้น โมเดลจะ "เชื่อมั่น" ในคำที่มีความน่าจะเป็นสูงสุดมากขึ้น และเบี่ยงเบนจากทางต่อที่คาดหวังน้อยลง ผลลัพธ์คือข้อความมักจะเรียบ คาดเดาได้ ถูกต้องตามรูปแบบ และสอดคล้องกันมากขึ้น โหมดนี้มีประโยชน์เมื่อความแม่นยำของถ้อยคำ ความเสถียรของคำตอบ การทำซ้ำของผลลัพธ์ และการลดความผันแปรที่ไม่จำเป็นเป็นสิ่งสำคัญ อย่างไรก็ตาม แนวทางนี้มีข้อเสีย: ข้อความอาจกลายเป็นแม่แบบมากเกินไป แห้งแล้ง น่าเบื่อ และบางครั้ง "ระมัดระวัง" เกินไป เมื่ออุณหภูมิต่ำเกินไป โมเดลอาจเริ่มทำซ้ำโครงสร้างเดิมไม่สิ้นสุด (วนซ้ำ) โดย "ติดอยู่" กับทางต่อที่มีความน่าจะเป็นสูงสุดแต่ไม่เสมอเหมาะสม

เมื่อ **อุณหภูมิสูง** โมเดลจะมีพฤติกรรมกล้าหาญมากขึ้น โมเดลจะเลือกไม่เพียงแค่คำที่มีความน่าจะเป็นสูงสุด แต่ยังรวมถึงคำที่ไม่ชัดเจนนักด้วย ส่งผลให้คำตอบมีความหลากหลาย มีชีวิตชีวา ไม่ซ้ำแบบ และบางครั้งมีความคิดริเริ่มมากขึ้น สิ่งนี้อาจเป็นประโยชน์ในงานสร้างสรรค์ การระดมความคิด การสร้างไอเดีย งานเขียนเชิงศิลปะ หรือการหาหลายรูปแบบของถ้อยคำ แต่พร้อมกับความหลากหลายที่เพิ่มขึ้น ความเสี่ยงก็เพิ่มขึ้นด้วย: ข้อความอาจมีความเชื่อมโยงน้อยลง แม่นยำน้อยลง และในกรณีสุดโต่ง อาจแปลก ไม่สมเหตุสมผล หรือสุ่ม

แนวคิดที่เข้าใจง่ายคือ อุณหภูมิ **ไม่ใช่ตัวควบคุมความรู้ แต่เป็นตัวควบคุมความเสี่ยงในการเลือกคำ** อุณหภูมิต่ำทำให้โมเดลเกือบทุกครั้งเลือกตัวเลือก "ปลอดภัยที่สุด" ส่วนอุณหภูมิสูงทำให้โมเดล "เสี่ยง" มากขึ้นและลองทางต่อที่ไม่ชัดเจนนัก

อีกภาพประกอบที่มีประโยชน์: อุณหภูมิสามารถเปรียบได้กับวิธีที่มนุษย์ตอบคำถาม หากต้องการคำตอบที่เป็นทางการ แม่นยำ และระมัดระวัง คนเรามักเลือกถ้อยคำที่เป็นกลางและคาดหวังมากที่สุด ซึ่งคล้ายกับอุณหภูมิต่ำ แต่ถ้าต้องการคิดไอเดียแปลกใหม่ อุปมาอุปไมย โครงเรื่อง หรือตัวเลือกที่ไม่ธรรมดาหลายแบบ ถ้อยคำจะอิสระและกล้าหาญมากขึ้น ซึ่งคล้ายกับอุณหภูมิสูง

ดังนั้น อุณหภูมิรับผิดชอบต่อสมดุลระหว่างคุณสมบัติสองประการของการสร้างข้อความ:

- **ความสามารถในการทำนายและความเสถียร** ของคำตอบ;
- **ความหลากหลายและความน่าแปลกใจ** ของถ้อยคำ

ยิ่งอุณหภูมิต่ำ โมเดลก็ยิ่งใกล้เคียงกับทางต่อที่มีความน่าจะเป็นสูงสุดและเป็นมาตรฐานมากขึ้น ยิ่งอุณหภูมิสูง พื้นที่สำหรับความผันแปรก็ยิ่งกว้าง แต่การควบคุมความเข้มงวดและความสอดคล้องของผลลัพธ์ก็อ่อนแอลง

## นิยามเชิงทฤษฎี

ในทางคณิตศาสตร์ อุณหภูมิ ($T$) ถูกนำเข้ามาเป็นตัวหารใน ฟังก์ชัน **softmax** ซึ่งแปลงค่า logit ของโมเดล ($u_{i}$) ให้เป็นการแจกแจงความน่าจะเป็น ($P_{i}$) สูตรมีดังนี้:

$P_{i}^{(T)} = \frac{e^{u_{i}/T}}{\sum\limits_{j}e^{u_{j}/T}}$

โดยที่:

- $P_{i}^{(T)}$ — ความน่าจะเป็นสุดท้ายของ token ที่ $i$ ที่อุณหภูมิ $T$
- $u_{i}$ — logit (คะแนนที่ยังไม่ได้ normalize) สำหรับ token ที่ $i$ ที่โมเดลให้ออกมา
- $T$ — พารามิเตอร์อุณหภูมิ (จำนวนบวกเคร่งครัด) ตัวอย่างเช่น ใน API ของ OpenAI สำหรับโมเดลส่วนใหญ่ ช่วงที่อนุญาตคือ 0 ถึง 2.0 โดย 0 เป็นกรณีพิเศษของ greedy decoding (ดูด้านล่าง) ในไลบรารีอื่น (Hugging Face Transformers, llama.cpp) อุณหภูมิสามารถรับค่าบวกใด ๆ ได้

**สำคัญ:** อุณหภูมิส่งผลต่อเอาต์พุต **เฉพาะในโหมด sampling** เท่านั้น ในโหมดที่ไม่มีการ sampling (greedy decoding, beam search แบบคลาสสิก) พารามิเตอร์อุณหภูมิไม่มีผล ตัวอย่างเช่น ใน Hugging Face Transformers เพื่อให้อุณหภูมิทำงานได้ จำเป็นต้องเปิดใช้งาน `do_sample=True`

### ผลกระทบของค่าอุณหภูมิ

- **$T = 1$ (ค่ามาตรฐาน):** การแจกแจงความน่าจะเป็นยังคงไม่เปลี่ยนแปลง นี่คือ softmax มาตรฐานที่สะท้อนการทำนายดั้งเดิมของโมเดล
- **$T < 1$ (อุณหภูมิต่ำ เช่น $0.2$ – $0.7$):** การแจกแจงกลายเป็น **คมชัด** หรือ **มีจุดสูงสุด** มากขึ้น ความน่าจะเป็นของ token ที่มีความน่าจะเป็นสูงสุดเพิ่มขึ้น ในขณะที่ token ที่มีความน่าจะเป็นต่ำลดลง สิ่งนี้ทำให้การสร้างข้อความมีความ deterministic และคาดเดาได้มากขึ้น โมเดลจะเลือกคำที่ชัดเจนและมีความถี่สูงบ่อยขึ้น ซึ่งเพิ่ม coherence และความถูกต้องทางไวยากรณ์ของข้อความ แต่ลดความหลากหลาย
- **$T > 1$ (อุณหภูมิสูง เช่น $1.1$ – $1.5$):** การแจกแจงกลายเป็น **เรียบ** หรือ **สม่ำเสมอ** มากขึ้น ความแตกต่างระหว่างความน่าจะเป็นของ token ลดลง ทำให้โอกาสเลือก token ที่มีความน่าจะเป็นต่ำ (และ "น่าแปลกใจ" มากกว่า) เพิ่มขึ้น สิ่งนี้ทำให้ข้อความสร้างสรรค์ หลากหลาย และคาดเดาไม่ได้มากขึ้น แต่เพิ่มความเสี่ยงในการสร้างวลีที่ไม่สอดคล้องหรือผิดหลักไวยากรณ์

### กรณีขอบเขต

- **$T \rightarrow 0$:** ในขีดจำกัดเมื่ออุณหภูมิเข้าใกล้ศูนย์ ฟังก์ชัน softmax จะกลายเป็น argmax โมเดลจะเลือก token ที่มี logit สูงสุดเสมอ โหมดนี้เทียบเท่ากับ **greedy decoding** และเป็น deterministic อย่างสมบูรณ์ ซึ่งมักนำไปสู่ข้อความที่ซ้ำซากและเป็นแม่แบบ **หมายเหตุ:** ค่า $T = 0$ ไม่สามารถแทนในสูตรโดยตรง (การหารด้วยศูนย์); ในการใช้งานหลายแบบ ค่านี้ถูกจัดการเป็นโหมดพิเศษของการเลือกที่อนุรักษ์นิยมสูงสุด ใกล้เคียงกับ greedy decoding อย่างไรก็ตาม ไม่ใช่ทุก hosted API ที่รับประกัน determinism อย่างสมบูรณ์เมื่อ $T = 0$ — ตัวอย่างเช่น ใน Anthropic API แม้ที่อุณหภูมิเป็นศูนย์ ผลลัพธ์อาจมีการเปลี่ยนแปลงเล็กน้อย
- **$T \rightarrow \infty$:** เมื่ออุณหภูมิเข้าใกล้อนันต์ การแจกแจงความน่าจะเป็นจะกลายเป็น **สม่ำเสมอ** token ทั้งหมดในพจนานุกรมจะมีความน่าจะเป็นเท่ากัน และโมเดลจะสร้าง "กระแสจิตสำนึก" แบบสุ่ม โดยสูญเสีย coherence ไปอย่างสิ้นเชิง ในทางปฏิบัติ ไม่จำเป็นต้องใช้อนันต์: ที่ $T > 2.0$ การแจกแจงก็แทบจะสม่ำเสมออยู่แล้ว และข้อความจะกลายเป็นชุด token ที่ไม่สอดคล้องกัน

## การประยุกต์ใช้จริงและคำแนะนำ

การเลือกอุณหภูมิที่เหมาะสมเป็นสิ่งสำคัญอย่างยิ่งและขึ้นอยู่กับงานเฉพาะ ช่วงที่ระบุด้านล่างเป็น **การประมาณแบบ heuristic คร่าว ๆ** — ค่าที่เหมาะสมอาจแตกต่างกันอย่างมากขึ้นอยู่กับโมเดล domain และงานเฉพาะ

- **สำหรับงานสร้างสรรค์** (การเขียนเรื่องสั้น บทกวี สโลแกนการตลาด):
  - แนะนำให้ใช้ **อุณหภูมิสูงขึ้น ($T \approx 0.7 - 1.2$)**
  - สิ่งนี้กระตุ้นให้โมเดลสร้างไอเดียที่ไม่คาดคิดและสร้างสรรค์มากขึ้น ใช้คำศัพท์ที่หลากหลาย และหลีกเลี่ยงวลีแม่แบบ

<!-- -->

- **สำหรับงานที่ต้องการความแม่นยำและข้อเท็จจริง** (การตอบคำถาม การสรุปความ การสร้างโค้ด):
  - แนะนำให้ใช้ **อุณหภูมิต่ำ ($T \approx 0.0 - 0.4$)**
  - สิ่งนี้ลดความผันแปรและเพิ่มความสามารถในการทำซ้ำของผลลัพธ์ โดยทำให้โมเดลยึดถือทางต่อที่มีความน่าจะเป็นสูงสุดของข้อความ ที่ $T = 0$ การสร้างข้อความจะเป็น deterministic (เมื่อ seed ถูกกำหนดไว้และไม่มีแหล่งความสุ่มอื่น) ซึ่งมีประโยชน์สำหรับการทดสอบและ debug แต่อาจซ่อนปัญหาที่ปรากฏเฉพาะเมื่อ sampling อย่างไรก็ตาม อุณหภูมิต่ำเพียงอย่างเดียว **ไม่รับประกันความแม่นยำของข้อเท็จจริง** — หากโมเดลไม่มีความรู้ที่จำเป็น โมเดลอาจสร้างคำตอบที่ผิดอย่างมั่นใจ เพื่อความแม่นยำสูงสุดของข้อเท็จจริง แนะนำให้รวมอุณหภูมิต่ำกับวิธีการค้นหาจากฐานความรู้ (RAG) และการปรับปรุง prompt ในเอกสาร OpenAI สำหรับงานดึงข้อมูลและการตอบข้อเท็จจริง แนะนำ $T = 0$

<!-- -->

- **สำหรับงาน reasoning คณิตศาสตร์ และการสร้างโค้ด:**
  - โดยทั่วไปใช้ **อุณหภูมิที่ต่ำกว่า** อย่างไรก็ตาม ค่าที่เหมาะสมขึ้นอยู่กับโมเดลและงานเฉพาะอย่างมีนัยสำคัญ
  - **หมายเหตุ:** ในโมเดล reasoning บางรุ่น (เช่น กลุ่ม OpenAI o1/o3) พารามิเตอร์ sampling อาจ **ถูกจำกัดหรือกำหนดค่าตายตัว** จากฝั่ง provider กระบวนการ chain-of-thought ภายในต้องการการแจกแจงที่เสถียร ดังนั้น provider อาจปิดกั้นการเปลี่ยนแปลงอุณหภูมิอย่างสมบูรณ์หรือรับค่าจากผู้ใช้เฉพาะในช่วงแคบ

<!-- -->

- **สำหรับระบบสนทนาและ chatbot:**
  - แนะนำให้ใช้ **อุณหภูมิปานกลาง ($T \approx 0.5 - 0.8$)**
  - สิ่งนี้ช่วยให้หาสมดุลได้: คำตอบยังคงสอดคล้องและตรงประเด็น แต่ไม่แห้งแล้งหรือน่าเบื่อเกินไป

**หมายเหตุ:** ในเอกสาร OpenAI API แนะนำให้เปลี่ยน **อย่างใดอย่างหนึ่ง** ระหว่าง temperature **หรือ** top_p แต่ **ไม่ใช่ทั้งสองพร้อมกัน** — มิฉะนั้นพฤติกรรมจะคาดเดาได้ยาก ในตัวอย่างอ้างอิงของ OpenAI API ค่าเริ่มต้นที่มักปรากฏคือ $T = 1.0$

## การเปรียบเทียบกับ Top-k และ Top-p

อุณหภูมิ ต่างจากวิธีการตัดแต่ง เช่น **Top-k** และ **Top-p (nucleus sampling)** ทำงานต่างกัน:

- **อุณหภูมิ** **กระจาย** ความน่าจะเป็นใหม่ระหว่าง token ทั้งหมดในพจนานุกรม แต่ **ไม่ตัด** token ใดออกเลย แม้ที่อุณหภูมิต่ำมาก token ที่มีความน่าจะเป็นต่ำก็ยังมีโอกาสเล็กน้อยแต่ไม่ใช่ศูนย์ที่จะถูกเลือก
- **Top-k** และ **Top-p** ใช้ **การตัดอย่างเด็ดขาด** โดยแยก token ที่ไม่อยู่ใน nucleus ของการเลือกออกไปอย่างสมบูรณ์ การตัดดังกล่าวลดความเสี่ยงในการเลือก token ที่อยู่ใน tail แต่ตัวมันเองเป็น heuristic แบบหยาบและอาจละทิ้งทางต่อที่สมเหตุสมผลซึ่งมีความน่าจะเป็น "จริง" ไม่เป็นศูนย์

ในทางปฏิบัติ พารามิเตอร์เหล่านี้มักถูกใช้ร่วมกัน ตัวอย่างเช่น สามารถตั้งอุณหภูมิปานกลาง (เช่น $T = 0.8$) สำหรับสไตล์โดยรวม และเพิ่ม Top-p (เช่น $p = 0.9$) เพื่อตัด "tail" ของการแจกแจงและลดความเสี่ยงของข้อผิดพลาดร้ายแรง เมื่ออุณหภูมิต่ำมาก ($T \rightarrow 0$) Top-p แทบไม่มีความหมาย เนื่องจากการแจกแจงมีจุดสูงสุดนัยสำคัญเพียงจุดเดียวอยู่แล้ว

## ปฏิสัมพันธ์ของอุณหภูมิกับพารามิเตอร์ decoding อื่น ๆ

อุณหภูมิแทบไม่เคยถูกใช้แบบโดดเดี่ยว ในทางปฏิบัติ จะถูกรวมกับ hyperparameter อื่น ๆ เพื่อปรับจูนสมดุล "ความสร้างสรรค์ ↔ ความน่าเชื่อถือ" อย่างละเอียด

### ลำดับการใช้พารามิเตอร์ทั่วไป

ในการใช้งาน sampling ที่พบบ่อย (โดยเฉพาะ Hugging Face Transformers) พารามิเตอร์โดยทั่วไปจะถูกใช้ในลำดับต่อไปนี้:

1.  โมเดลให้ **logit ดิบ** ($u_{i}$) ออกมา
2.  ใช้ **โทษสำหรับการซ้ำ** (repetition / frequency / presence penalty) — การปรับ logit ตาม token ที่สร้างขึ้นแล้ว
3.  **อุณหภูมิ** ปรับขนาด logit: $u_{i}/T$
4.  ใช้ **softmax** → ได้การแจกแจงความน่าจะเป็นใหม่
5.  **การตัด (truncation):** ก่อน Top-k (ถ้ากำหนด) จากนั้น Top-p หรือ Min-p
6.  จาก "nucleus" ที่เหลือจะมีการ **สุ่มเลือก** (sampling)

ในรูปแบบทั่วไปนี้ อุณหภูมิจะเปลี่ยนรูปร่างของการแจกแจง **หลัง** จากใช้โทษสำหรับการซ้ำ แต่ **ก่อน** softmax และการกรอง ดังนั้น $top\_ p = 0.9$ เดียวกันที่ $T = 0.2$ และ $T = 1.5$ จะให้ขนาด "nucleus" ที่แตกต่างกันอย่างสิ้นเชิง โทษและอุณหภูมิมีปฏิสัมพันธ์แบบไม่เชิงเส้น ซึ่งสำคัญต้องคำนึงถึงเมื่อปรับพารามิเตอร์ ลำดับภายในของการใช้ใน hosted API (OpenAI, Anthropic) ไม่ได้ถูกบันทึกเป็นสาธารณะในระดับรายละเอียดดังกล่าว

### Top-p (nucleus sampling) และ Min-p

**Min-p** (minimum probability sampling) เป็นวิธีการตัดค่อนข้างใหม่ที่กำหนดขีดล่างของความน่าจะเป็นเทียบกับ token ที่มีความน่าจะเป็นสูงสุด (โดยปกติ 0.05–0.1) ต่างจาก Top-p ตรงที่ตัด token ตามขีดสัมพัทธ์ (ผูกกับความน่าจะเป็นของ token ที่ดีที่สุด ไม่ใช่มวลสะสมที่ตายตัว) ซึ่งมีประสิทธิภาพเป็นพิเศษที่อุณหภูมิสูง (\>0.8): ป้องกันการเลือก token ที่ไม่เหมาะสมอย่างสิ้นเชิงโดยไม่สูญเสียความหลากหลายอย่างมีนัยสำคัญ Min-p รองรับโดย inference stack โอเพนซอร์สยอดนิยมหลายรายการ รวมถึง vLLM และ llama.cpp

### Repetition / Frequency / Presence penalty

Frequency_penalty และ presence_penalty (OpenAI API) ลดความน่าจะเป็นของการซ้ำ token ที่เคยปรากฏแล้ว พวกมันสามารถชดเชยข้อเสียประการหนึ่งของอุณหภูมิต่ำ ซึ่งก็คือแนวโน้มต่อการเป็นแม่แบบและการวนซ้ำ

### Typical sampling และ Mirostat

Typical sampling (Meister et al., 2023) เลือก token ที่มีความน่าจะเป็นใกล้เคียงกับ "entropy ที่คาดหวัง" ของ context Mirostat (v2) ปรับพารามิเตอร์การตัดแบบไดนามิกเพื่อให้ perplexity เป้าหมายคงที่ ซึ่งมีประโยชน์สำหรับข้อความยาวที่ความเสถียรของสไตล์มีความสำคัญ

### ตัวอย่างการตั้งค่าเพื่อประกอบความเข้าใจ

ด้านล่างนี้คือ **การกำหนดค่าโดยประมาณ** สำหรับงานประเภทต่าง ๆ ค่าเหล่านี้ไม่ใช่คำแนะนำสำหรับทั่วไป — พารามิเตอร์ที่เหมาะสมขึ้นอยู่กับโมเดล งาน และ inference stack เฉพาะ

| งาน                           | อุณหภูมิ    | การรวมกันที่เป็นไปได้                   | ตรรกะ                            |
|-------------------------------|----------|------------------------------------|----------------------------------|
| Factual Q&A, การสรุปความ       | 0.0–0.3  | T + top_p=0.9                      | ลดความผันแปรแบบสุ่ม                 |
| การสร้างโค้ด, คณิตศาสตร์          | 0.1–0.4  | T + repetition_penalty             | ความเสถียร + หลีกเลี่ยงการวนซ้ำ       |
| การสนทนา / chatbot            | 0.6–0.85 | T + top_p=0.92 หรือ min_p=0.1       | สมดุลความเป็นธรรมชาติและความสอดคล้อง |
| งานสร้างสรรค์ (เรื่องสั้น, การตลาด) | 0.75–1.1 | T + min_p=0.07–0.1                 | ความหลากหลายพร้อมการกรอง tail     |
| Long-form / agent             | 0.5–0.8  | Mirostat หรือ T + frequency_penalty | ควบคุมความยาวและความสอดคล้อง       |

**คำแนะนำทั่วไป:** ไม่ควรเปลี่ยน temperature และ top_p พร้อมกันมาก ๆ โดยทั่วไปจะสะดวกกว่าถ้ากำหนดพารามิเตอร์ truncation อย่างใดอย่างหนึ่งให้คงที่ และควบคุมความสร้างสรรค์ด้วยอุณหภูมิ ซึ่งทำให้พฤติกรรมของโมเดลคาดเดาได้มากขึ้น

**ลักษณะเฉพาะของโมเดล aligned สมัยใหม่:** ในโมเดลที่ผ่านการ align อย่างเข้มข้น (ผ่าน RLHF / Constitutional AI / RLAIF) ผลกระทบของอุณหภูมิสูงจะอ่อนแอลงเมื่อเทียบกับโมเดลฐาน — โมเดลสร้างข้อความที่ไม่สอดคล้องน้อยลงแม้ที่ $T = 1.2$ ค่าที่เหมาะสมเฉพาะอาจเปลี่ยนแปลงไปพร้อมกับการออกโมเดลรุ่นใหม่; คำแนะนำข้างต้นเป็นข้อมูลล่าสุด ณ ปี 2025–2026

## เอกสารอ้างอิง

- Holtzman, A. et al. (2020). *The Curious Case of Neural Text Degeneration*. arXiv:1904.09751.
- Caccia, M. et al. (2018). *Language GANs Falling Short*. arXiv:1811.02549.
- Fan, A. et al. (2018). *Hierarchical Neural Story Generation*. arXiv:1805.04833.
- Meister, C. et al. (2023). *Locally Typical Sampling*. arXiv:2202.00666.
- Hewitt, J.; Manning, C.; Liang, P. (2022). *Truncation Sampling as Language Model Desmoothing*. arXiv:2210.15191.
- Su, Y.; Collier, N. (2022). *Contrastive Search Is What You Need for Neural Text Generation*. arXiv:2210.14140.
- O'Brien, S.; Lewis, M. (2023). *Contrastive Decoding Improves Reasoning in Large Language Models*. arXiv:2309.09117.
- Finlayson, M. et al. (2023). *Closing the Curious Case of Neural Text Degeneration*. arXiv:2310.01693.
- Shi, C. et al. (2024). *A Thorough Examination of Decoding Methods in the Era of Large Language Models*. arXiv:2402.06925.
- Ravfogel, S. et al. (2023). *Conformal Nucleus Sampling*. arXiv:2305.02633.
- Sen, J. et al. (2025). *Advancing Decoding Strategies: Enhancements in Locally Typical Sampling for LLMs*. arXiv:2506.05387.
- Basu, S. et al. (2021). *Mirostat: A Perplexity-Controlled Neural Text Decoding Algorithm*. arXiv:2007.14966.
- Nguyen, M. N. et al. (2025). *Turning Up the Heat: Min-p Sampling for Diverse and High-Quality Text Generation*. arXiv:2407.01082.
- Renze, M.; Guven, E. (2024). *The Effect of Sampling Temperature on Problem Solving in Large Language Models*. arXiv:2402.05201.
- Zhang, S. et al. (2024). *EDT: Improving Large Language Models' Generation by Entropy-based Dynamic Temperature Sampling*. arXiv:2403.14541.
- Li, L. et al. (2025). *Exploring the Impact of Temperature on Large Language Models: Hot or Cold?*. arXiv:2506.07295.

## ดูเพิ่มเติม

- โมเดลภาษาขนาดใหญ่