近日，谷歌AI团队在Gemini模型的最新版本中做出了一项引人注目的技术调整：temperature、top_p和top_k这三个长期用于大语言模型生成控制的超参数被正式宣布为“弃用”（deprecated），并将被模型忽略。这一变动迅速在开发者社区和AI从业者中引发广泛讨论，意味着用户在使用Gemini最新模型（如Gemini 1.5 Pro、Gemini 1.5 Flash等）进行文本生成时，传统依赖的精细调参手段将不再生效。
传统参数的角色与意义
在自然语言处理领域，temperature、top_p和top_k是控制模型输出随机性和多样性的核心参数。temperature通过调整softmax概率分布的“温度”来决定输出的确定性程度：温度越低，模型越倾向于选择概率最高的词；温度越高，输出越随机、越具创造性。top_k则限制模型在每一步仅从概率最高的k个词中采样，避免选择过于低频的词汇。top_p（又称核采样）则动态选择累积概率达到阈值p的最小候选词集。这三者常被开发者结合使用，以在创造性和稳定性之间取得平衡。
Gemini的更新：从参数控制到内置智能
根据谷歌官方发布的技术说明，在Gemini最新模型中，上述参数将被完全忽略，即使开发者在API调用中显式设置这些参数，模型也将无视它们，仅采用默认的生成逻辑。这一改动意味着，Gemini的生成行为将不再依赖用户手动调节的“旋钮”，而是由模型自身根据上下文和任务需求动态决定输出的随机性。
谷歌并未直接解释弃用的全部原因，但业内分析认为，此举可能源于几个方面：其一，随着模型规模的扩大和训练技术的进步，模型的内在一致性已有显著提升，过度的参数调节反而可能干扰模型已学到的自然概率分布；其二，减少参数可降低用户的使用门槛，避免新手因错误调参导致输出质量下降；其三，可能与Gemini采用的解码策略优化有关——模型内部已通过强化学习或动态规划实现了更智能的采样决策，外部手动干预已无必要。
对开发者与行业的影响
对于长期依赖精细调参的AI应用开发者而言，这一变化既是简化也是挑战。一方面，不再需要纠结于temperature=0.7还是0.3，API调用变得更加简洁；另一方面，失去了对输出随机性的直接控制，可能影响某些需要高度定制化输出的场景，例如创意写作、对话系统的人格化设定等。部分开发者已经在社交平台上表示担忧：“如果我想让模型每次都给出完全一致的答案（temperature=0），现在该怎么办？”
不过，谷歌也指出，开发者仍可通过其他方式间接影响生成行为，例如使用system指令、few-shot示例或response schema约束。这些方法虽然不如直接调参来得直观，但能提供更高层次的语义控制。此外，有消息称，谷歌可能在未来推出新的参数接口，以更结构化的方式替代传统超参数。
行业趋势：从“调参”到“调教”
此次Gemini的弃用决策并非孤例。事实上，OpenAI的GPT-4系列、Anthropic的Claude 3等前沿模型也在逐步弱化传统参数的重要性，转而强调指令遵循能力和上下文理解。这表明，大模型的发展正从“手工调节”阶段迈向“智能自适应”阶段——模型本身应具备根据任务自动调节输出风格的能力，而非依赖用户手动设置机械参数。
“这就像从手动档汽车进化到自动档，”一位AI研究员评论道，“早期模型就像手动档，需要经验丰富的司机（开发者）精心控制离合与油门；而现在的模型更像自动档，AI自己决定何时换挡，大多数情况下更平稳、更高效。”
结论与展望
Gemini最新模型对temperature、top_p、top_k的弃用，标志着大语言模型实用化进程中的一个重要里程碑。它简化了API使用流程，降低了开发门槛，但也提醒我们：AI工具正在从“需要技巧”走向“以人为中心”的交互模式。对于开发者来说，适应这一变化的最佳方式，是深入理解模型内置的生成逻辑，并学会利用提示工程等更高级的工具来引导输出。
谷歌官方表示，开发者仍可暂时通过旧版Gemini模型继续使用这些参数，但推荐尽快迁移至新版，以享受最新的性能和功能优化。未来，我们或许会看到更多模型厂商追随这一趋势，让AI的“黑盒子”更加自主，同时也更加透明——至少在用户端，需要掌握的旋钮越来越少了。