CapybaraAI 的 temperature 非全局固定，需按场景显式指定；ParamLab 中通过「Step 2 · 参数空间」添加 number/range 类型参数设置，推荐代码生成用 0.1–0.4、创意写作用 0.6–1.2、安全任务设为 0.0，并注意与 top_p 协同、stream 位置及批量测试组合爆炸风险。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
默认温度（temperature）在 CapybaraAI 中不是全局固定值，而是随具体调用场景、任务类型和模型版本动态设定的。当前泄露信息中明确提到的 capybara-v2-fast 模型支持 1M 上下文，但官方未公开其默认 temperature 值——这意味着你必须在每次 API 请求或实验配置中显式指定，否则可能触发平台 fallback 策略（如使用 provider 默认值，常见为 0.5 或 1.0）。
在 ParamLab 平台中设置 temperature
ParamLab 是目前最主流的 CapybaraAI 参数调优环境，temperature 被归类为「内置参数」，设置路径清晰：
- 进入「Step 2 · 参数空间」，点击「+ 添加参数」
- 参数名填 temperature，类型选 number 或 range
- 若做探索性测试，推荐用 range 类型：min=0.1，max=1.5，step=0.2 → 自动生成 8 个候选值
- 参数描述可写「控制输出随机性：低值（≤0.3）更确定/保守；高值（≥0.8）更发散/创意」，保存后悬停 ? 图标即可提示
- 注意：temperature 仅对生成式响应生效，不影响 system prompt 解析或工具调用逻辑
不同任务类型对应的 temperature 推荐区间
temperature 不是越低越好，也不是越高越强，关键看任务目标：
- 代码生成 / 逻辑推理：建议 0.1–0.4。Capybara-v2-fast 在 SWE-bench 达到 87.4% 准确率，依赖的是稳定 token 预测，过高 temperature 易引入语法错误或跳步推理
- 创意写作 / 多模态指令编辑（如 T2V、I2V）：推荐 0.6–1.2。Capybara 的「上下文编辑」能力需一定发散性，尤其涉及风格迁移或关键帧传播时
- 网络安全分析 / 敏感决策任务：强制设为 0.0（采样模式转 greedy decoding）。泄露文件强调其攻击潜力，生产环境应禁用随机性以保障可复现性与审计追踪
避免踩坑的三个实操细节
temperature 表面简单，但和 Capybara 的其他机制存在隐式耦合：
- 别忽略 top_p 的协同影响：若同时设置 temperature=0.8 和 top_p=0.3，实际输出多样性可能低于预期。建议二者择一为主控，另一项保持默认（如 top_p=1.0）
- stream 模式下 temperature 生效位置要确认：在 stream_options.include_usage 等嵌套路径中，temperature 必须置于顶层 request body，不可放在 stream_options 内部
- 批量测试时注意组合爆炸：temperature 设为 range（0.1–1.5, step=0.1）会产生 15 个取值，若再叠加 model、max_tokens 等参数，组合数极易突破 500 —— ParamLab 会弹出橙色警告并要求二次确认
