采样参数决定模型在「下一个词」的概率分布里怎么挑。模型每一步都会给出 一张候选词的概率表，采样参数做两件事：先砍掉一部分候选，再决定从剩下的里面怎么随机选。 大部分「文风不对」「老是复读」的问题都出在这一层。
最该先动的三个
temperature（temp）
把概率分布拉平或拉尖。低于 1 会让高概率词更占优，输出更稳但更单调；
高于 1 则相反，更有变化也更容易跑偏。它是唯一一个绝大多数场合都值得
先调的参数。SillyTavern 自带的文本补全默认值就是 0.7，
多数模型在 0.7 到 1.1 之间表现合理。
min-p（min_p）
按「相对于最高概率词的比例」砍掉尾巴。设为 0.05 意味着概率低于最高候选
5% 的词全部丢弃。它比 top-p 更适应不同的分布形状，是目前较通用的截断方式。
在模型很确定时（最高概率词遥遥领先），min-p 会自动砍得很狠；在模型犹豫时会放宽。
这正是想要的行为。常用值 0.02 到 0.1。
重复惩罚（rep_pen）
对已出现过的词降权。调高它是处理复读最直觉但最粗暴的办法：它不区分
「不该重复的句式」和「本来就该重复的人名、代词」，压过头会让文字变得别扭。
酒馆的默认值是 1.2，通常在 1.0 到 1.2 之间取值，再往上要谨慎。
其余截断类参数
| 参数 | 做什么 | 说明 |
|---|---|---|
top_k | 只保留概率最高的 K 个候选 | 最粗糙的一种。设为 1 等于贪心解码，会导致逐字复读 |
top_p | 保留累计概率达到 P 的那批候选 | 经典做法，分布很尖时可能只剩一个词 |
top_a | 按最高概率的平方比例设阈值 | 思路与 min-p 相近 |
typical_p | 按信息量偏离度筛选 | 倾向于挑「不过分意外也不过分平庸」的词 |
tfs | Tail-Free Sampling，按概率曲线的二阶导找尾巴 | 较少用 |
nsigma | 按标准差设阈值 | 较新的截断方式；发给后端时字段名可能是 top_n_sigma |
这些参数互相叠加，同时开好几个通常没有好处：每一个都在砍候选，叠起来很容易 砍到只剩一个词，于是又回到了复读。一般只留一个截断类参数生效，其余置于关闭值。
进阶：动态温度、DRY、XTC
动态温度（dynatemp）
让温度随分布的不确定度浮动，而不是固定一个值。你在酒馆里调的是
dynatemp（开关）、min_temp、max_temp 和
dynatemp_exponent；请求发出前，酒馆会把这几个值换算成后端认识的字段
（dynatemp_low / dynatemp_high / dynatemp_range
或 dynatemp_min / dynatemp_max，视后端而定）。
模型确定时压低温度保稳，犹豫时抬高温度求变化。
DRY
DRY（Don't Repeat Yourself）专门对付成串的重复：它检测的是重复的词序列
而不是单个词，因此比 rep_pen 精准得多，不会误伤正常复现的人名。
参数包括 dry_multiplier（惩罚强度，为 0 时关闭）、
dry_base（惩罚随长度增长的底数）、dry_allowed_length
（允许重复的最大长度，超过才开始罚）和 dry_penalty_last_n（回看范围）。
另有 dry_sequence_breakers 用于指定哪些符号算作序列的断点。
处理复读，DRY 通常比调高 rep_pen 更值得先试。
XTC
XTC（Exclude Top Choices）反其道而行：按概率剔除掉部分最高候选，逼模型
选次优解，用来打破套路化表达。由 xtc_threshold（候选需高于此概率才可能被剔除）
和 xtc_probability（剔除发生的概率）控制。用得过猛会明显损伤连贯性。
mirostat
另一套思路：不设固定截断，而是动态调整以维持目标困惑度。由
mirostat_mode、mirostat_tau（目标值）和
mirostat_eta（调整速率）控制。启用它时，通常应关闭其他截断类参数。
调参顺序建议
- 先把所有截断类参数关掉，只留
temp和一个min_p - 调
temp到文风合适 - 如果出现复读，先试 DRY，而不是先加
rep_pen - 确认
top_k没有被设成1 - 其余参数在确有需要时再逐个开，一次只动一个
最后一条尤其重要：同时改三个参数然后觉得「好像好了一点」，是调参最常见的浪费方式。
参数名与默认值可在
public/scripts/textgen-settings.js
中核对。
另外注意：不是每个后端都支持全部参数。端侧模型和各家云 API 支持的子集 差别很大，不被支持的参数会被静默忽略。调了没反应，先确认后端认不认。