Google 在 Gemini 最新模型（如 Gemini 1.5 Pro 和 Gemini 1.5 Flash）的 API 文档中明确标注，temperature、top_p 和 top_k 参数已被弃用且不再生效。这意味着开发者无法再通过调整这些经典参数来控制生成文本的随机性和多样性。

发生了什么

根据 Hacker News 上的讨论，Gemini 最新模型的 API 文档显示，temperature、top_p 和 top_k 三个参数已被标记为 deprecated（弃用），并且传入的值将被忽略。这些参数长期以来是语言模型生成文本时的核心控制手段：temperature 控制输出的随机性，top_p 控制核采样，top_k 控制候选词数量。Google 的决定意味着 Gemini 模型将不再支持这些外部采样控制，转而完全由模型内部决定生成策略。

为什么重要

这一变化标志着主流大模型厂商在生成控制策略上的重大转向。传统上，开发者通过调整 temperature 和 top_p 等参数来平衡生成结果的创造性与确定性，例如在聊天机器人中设置较低 temperature 以保持一致性，在创意写作中设置较高 temperature 以激发多样性。Google 的弃用决定可能基于以下考虑：

  1. 简化 API 接口：减少参数数量可以降低开发者使用门槛，避免参数组合带来的困惑。
  2. 模型内部优化：Google 可能认为模型自身已经学会了更优的采样策略，外部干预反而可能降低生成质量。
  3. 一致性需求：在商业应用中，固定采样策略有助于保证输出的一致性，减少因参数设置不当导致的意外结果。

然而，这一做法也引发了争议。许多开发者依赖这些参数进行精细控制，尤其是在需要特定风格或安全边界的场景中。弃用这些参数意味着开发者失去了对模型行为的部分可解释性和可调性。

影响与看点

对开发者而言，最直接的影响是迁移成本。现有基于 temperature 等参数的代码需要修改，但更重要的是，开发者需要重新理解 Gemini 模型的生成行为。如果没有外部采样控制，模型输出的随机性将完全由内部机制决定，这可能导致在不同请求间出现不可预测的差异。

对行业而言，Google 的举动可能促使其他厂商重新评估参数设计。OpenAI 的 GPT 系列仍然支持 temperature 和 top_p，但未来是否也会简化？如果主流模型都走向“黑盒”采样，开发者将更依赖 prompt engineering 和系统级控制来实现效果调优。

值得关注的是，Google 是否会在未来提供替代的控制机制，例如通过系统提示词或新的 API 参数来间接影响生成风格。目前 Gemini 文档并未给出明确的替代方案，这可能是暂时的过渡状态，也可能是永久性的设计决策。

独立判断：弃用经典采样参数是模型能力提升后简化接口的必然趋势，但开发者社区需要时间适应这一变化，短期内可能引发对模型可控性的质疑。