本研究探讨了大型语言模型（LLMs）的创造力，发现其在独创性方面表现不足，但在详尽度上表现优秀。研究表明，采样温度对模型性能影响不显著，而输入参数的变化能显著提升生成质量。提出的自适应温度采样方法有效提高了生成的多样性，实验结果显示其优于现有策略。

本文探讨了自适应温度采样（AdapT sampling）在大型语言模型中的应用，提出通过动态调整温度系数来提高生成文本的多样性和质量。研究表明，该方法在对话问答和摘要任务中优于传统采样策略，并能有效提升机器翻译的质量。

通过分析代码标记的丢失分布，发现代码标记可分为难以预测的具有挑战性的标记和容易推测的自信标记。提出了一种简单而有效的方法：自适应温度采样（AdapT sampling），通过在解码不同的标记时动态调整温度系数。在不同规模的LLMs上应用AdapT采样，并在两个常用数据集上进行评估，结果表明AdapT采样优于最先进的解码策略。