大模型生成结果受参数、上下文和模型能力共同影响。理解生成参数可以帮助控制输出风格，但不能单独解决事实错误和幻觉问题。

1. 常见生成参数

参数	作用	调整效果
temperature	控制随机性	越低越稳定，越高越发散
top_p	从累计概率范围内采样	限制候选 Token 范围
max_tokens	控制最大输出长度	防止输出过长或成本失控
stop	设置停止序列	控制输出边界
presence_penalty	降低重复主题概率	鼓励引入新内容
frequency_penalty	降低重复词频	减少重复表达

不同模型的参数命名和行为可能略有差异，使用时要以对应平台文档为准。

2. 参数选择建议

任务	建议
事实问答	较低 temperature，强调依据和引用
JSON 输出	较低 temperature，配合 Schema 校验
创意写作	适当提高 temperature
代码生成	中低 temperature，配合测试验证
头脑风暴	适当提高随机性，鼓励多样性

3. 什么是幻觉

幻觉指模型生成看似合理但不准确、不存在或无法验证的内容。

常见表现：

• 编造不存在的 API、论文、链接或数据。
• 错误引用文档内容。
• 对不确定问题给出肯定答案。
• 把多个事实混合成错误结论。

4. 幻觉成因

原因	说明
训练目标	模型学习的是生成高概率文本，不是事实校验
上下文不足	缺少回答问题所需证据
问题诱导	用户问题本身包含错误前提
检索错误	RAG 提供了不相关或错误上下文
输出压力	Prompt 要求必须回答，模型不愿拒答

5. 幻觉治理方法

明确问题边界
  -> 提供可靠上下文
  -> 要求引用来源
  -> 降低随机性
  -> 结构化校验
  -> 低置信度拒答
  -> 人工复核高风险答案

工程实践：

1. 对事实型问题优先使用 RAG 或工具查询。
2. Prompt 中允许模型表达“不确定”或“资料不足”。
3. 返回引用和证据，方便用户核对。
4. 对结构化输出做程序校验。
5. 对高风险决策引入人工审核。

6. 常见误区

误区	正确认知
temperature 调低就没有幻觉	随机性降低不等于事实正确
RAG 可以完全消除幻觉	检索错误或上下文污染仍会导致错误
让模型自查就可靠	自查有帮助，但不能替代外部验证
模型越强越不会错	强模型也会在边界问题上出错

7. Tips 快问快答

Q：幻觉能彻底解决吗？

A：很难彻底解决，只能通过检索、工具、引用、校验、拒答和人审降低风险。

Q：为什么模型会编造引用？

A：模型可能学习到了引用格式，但没有真实访问来源。需要由检索系统或工具提供真实来源。

Q：什么时候必须人审？

A：涉及法律、医疗、财务、安全、生产变更、资金操作和不可逆业务动作时，应引入人工复核。