大语言模型（LLM）的「炼丹师」们，或许都曾面临一个共同的困扰：为不同任务、不同模型手动调整解码超参数（如 temperature 和 top-p）。这个过程不仅耗时 耗力，而且一旦模型或任务发生变化，历史经验便瞬间失效，一切又得从头再来。 这种繁琐的试错过程，在许多研发团队的日常沟通中屡见不鲜，正如下图所展示的那样： 图 1 ：研发人员手动调整解码参数的日常。 一个灵魂拷问随之而来： 为何不能让模型自己学会如何解码，从而实现真正的「端到端」？ 事实上，各大模型厂商的 API 文档也印证了这一难题。以 DeepSeek 为例，其官方文档明确建议针对不同场景设置截然不同的 temperature 值，这使得单一的静态 参数设置显得捉襟见肘。 | 场景 | 温度 | | --- | --- | | 代码生成/数学解题 | 0.0 | | 数据抽取/分析 | 1.0 | | 通用对话 | 1.3 | | 翻译 | 1.3 | | 创意类写作/诗歌创作 | 1.5 | 图 2 ：不同任务需要不同的解码参数，这使得静态设置难以应对复杂多变的现实需求。 近日， 由腾讯 AI Lab 的王琰研究员及其团队领衔，联合 香港中 ...