免费 · 无需注册 · 浏览器本地处理
LLM 采样参数可视化：温度、Top-K 与 Top-P
编辑 Token 的 logits，对照温度、Top-K 与 Top-P 各阶段概率，并使用固定种子重复采样；教学模拟无需调用模型。
浏览器本地计算 · 不调用模型 · 不保存输入
实际输出
llm-sampling-playground-report.json填写输入后即可预览与导出结果。
每次独立从相同固定 logits 中抽样，不涉及上下文、分词器、模型或生成文本，极小概率可能下溢为零。
使用步骤
粘贴 token 与 logit 对象，选择抽样或贪婪模式，设置温度、min-p、top-k、top-p 和 uint32 种子，对比原始、温度调整及过滤后的概率与采样次数。
使用前请检查
只模拟单步 Token 分布，不调用模型，不复现任何厂商 API、分词器或文本生成流程；温度必须为正数，极小概率可能下溢为零。
试一个例子
温度 1 下，logits ln(6)、ln(3)、0 的概率为 .6、.3、.1；top-p .7 保留前两个 Token，并重新归一化为 2/3 和 1/3。
计算或处理方式
抽样模式：温度 → 相对最大概率的 min-p → 稳定 top-k → 保留跨阈值 Token 的 top-p → 归一化；贪婪模式取首个最大 logit。熵以 bit 表示，困惑度为 2^熵；默认 min-p=0（关闭）。并列项保留输入顺序。采用 Mulberry32 固定种子抽样；1–1,000 个 Token、温度 (0,5]、top-k 0–1,000（0 为关闭）、top-p (0,1]、1–10,000 次抽样，输入 500 KB。
常见问题
使用自备 logits 探索 temperature、min-p、top-k、top-p 与贪婪选择，通过概率条与固定种子采样观察变化。
如何使用LLM 采样参数实验室？
粘贴 token 与 logit 对象，选择抽样或贪婪模式，设置温度、min-p、top-k、top-p 和 uint32 种子，对比原始、温度调整及过滤后的概率与采样次数。
数据会上传吗？
工具在当前浏览器内处理输入与文件。页面访问统计不包含这些输入内容。
有哪些限制？
只模拟单步 Token 分布，不调用模型，不复现任何厂商 API、分词器或文本生成流程；温度必须为正数，极小概率可能下溢为零。