大家在使用DeepSeek R1的時候，估計會注意到，它在思考的時候通常會有類似于“嗯”這樣的開頭。

它的作用簡而言之，它是為了：

為了降低開頭時的語言生成不確定性。

因為大模型在生成的時候是一個字一個字的，也就是下一個字的生成是基于上一個字的，如果你要生成一篇作文，那么前面的字就決定了后面字生成的大致走向。

這里我們來舉個小例子。

比如有一個續(xù)寫的作業(yè)，要求我們根據(jù)「好久不見，你好」來進(jìn)行續(xù)寫，在你好后面補(bǔ)充一個字。我們可以想一下有哪些可能，可能是你好嗎，你好高或者你好美。

其實(shí)對于AI來說也是一樣的，它的輸出也不是確定的，而是會根據(jù)上文來推測出下文。

對于這個例子，顯而易見，后面跟的是“嗎“，這就引申出了大模型的基本原理——它是一個概率模型，會根據(jù)上文來預(yù)測下文。

同樣我們舉例「小時候你就一小點(diǎn)，現(xiàn)在你好__」這個時候后面大概率跟的就是你好高。

我們來看DeepSeek的輸出是否符合我們剛剛講的這個基本原理。

當(dāng)我們輸入同樣的上文時，可以看到它印證了我們的推測，說的是“你好高”。這就是AI大模型的思考方式。

它的思考過程也遵循類似的原理，所以開篇很重要，因為它確定了基調(diào)?！班拧本痛砹宋沂盏搅?，等它幾秒鐘回復(fù)也符合常理，還有其他類似的回復(fù)，比如“嘖”，“唔”，等等，都是先給反應(yīng)。

我們可以把這個邏輯再往前推一步：

當(dāng)用戶提出一個復(fù)雜、開放式的問題時，比如“請解釋一下黑洞的熵”，模型在生成第一個字時，面臨的“可能性空間”是巨大的。它可以回答“當(dāng)然”，也可以說“黑洞的熵是一個復(fù)雜的概念”，或者“根據(jù)廣義相對論...”，每一個開頭的有效選擇都有很多。

這就在技術(shù)上造成了開局的高熵狀態(tài)（HighEntropy），即高度的不確定性。模型需要從無數(shù)個貌似都合理的選項中，選擇一個概率最高的來啟動。

但“嗯”這種詞不一樣，它太靈活了。

嗯出來之后，可以有很多種選擇，不管是會還是不會，都能圓回來。

“嗯”這個字，在這種場景下就成了一個絕佳的“概率錨點(diǎn)”。

1. 高概率，低信息：在海量的對話訓(xùn)練數(shù)據(jù)中，人類在開始解釋一個復(fù)雜問題前，說“嗯”的頻率極高。因此，模型學(xué)到這是一個非常安全、高概率的起始選項。同時，“嗯”本身不攜帶任何具體的知識信息，它不承諾接下來要講物理、歷史還是哲學(xué)，這給了模型極大的靈活性。

2. 降低后續(xù)生成難度：一旦“嗯”被生成出來，上下文就從 [用戶的問題] 變成了 [用戶的問題] 嗯，。對于模型來說，在 嗯， 之后接著生成“這個問題可以從...”或者“好的，我們來談?wù)?..”的概率，要遠(yuǎn)大于在沒有任何鋪墊的情況下直接生成它們。它成功地將一個不確定性極高的“冷啟動”問題，轉(zhuǎn)化成了一個路徑更清晰的“續(xù)寫”問題。

所以，“嗯”不僅僅是一個模擬人類的語氣詞，它更是一種技術(shù)上的策略，用來打破初始生成的僵局，鎖定一個高概率的生成路徑，從而讓后續(xù)的文本能夠更流暢、更穩(wěn)定地組織起來。

它像是一個離合器，平穩(wěn)地將“接收指令”狀態(tài)切換到“生成內(nèi)容”狀態(tài)，有效規(guī)避了開局時因可能性過多而導(dǎo)致的“選擇困難”。