Logits 处理管线（Logits Processor）是一串在模型吐出词表分数之后、真正掷骰子选词之前，依次运行的调分规则。它决定了“下一个词”最终从哪个概率分布里抽出来。
模型最后一层会输出一个和词表一样长的向量，每个位置叫 logit（Logits），可以理解成每个候选词的原始得分。分数本身不是概率，要经过 softmax 才变成概率。管线就是在这条路上插队：有的规则改原始得分，有的规则改分布形状，有的规则直接砍掉候选。
打个比方：你要选一家餐厅吃饭，词表里每家店都有一个评分。Logit Bias 像手动给某家店加星或扣星；重复惩罚（Repetition Penalty）像“刚吃过的店今天别老去”，给已经出现过的词扣分；温度（AI 词典：Temperature">Temperature）像把评分表的差距整体拉平或拉开——温度高，评分差距缩小，冷门店也有机会；温度低，高分店更稳赢；Top-p（Nucleus Sampling）像最后只保留累计概率达到 p 的那一档餐厅，其余直接关门。
那么顺序呢？常见实现里，逻辑上大致分三段：先改原始分数，比如 Logit Bias 和重复惩罚；再调分布形状，比如温度；最后截断候选，比如 Top-k、Top-p，然后 softmax 和采样。原因是：前两步改的是同一份 logits，温度会整体缩放这些分数，如果先截断再改分，被砍掉的词就再也回不来了。不过不同框架、不同 API 的实际排列并不完全统一，温度和惩罚谁先谁后可能影响结果，具体以官方文档为准。
| 参数 | 作用位置 | 干什么 | 典型用途 |
|---|---|---|---|
| Logit Bias | 原始 logits | 给指定词加固定分/扣固定分 | 强制或禁止某些词 |
| 重复惩罚 | 原始 logits | 给已出现的词降权 | 减少复读 |
| 温度 | softmax 前缩放 | 拉平或拉开分差 | 控制随机性 |
| Top-p | 排序后的概率 | 只留累计概率到 p 的候选 | 砍掉长尾胡言 |
和相邻概念的区别：Top-p 和 Top-k 都是截断，一个按概率累计，一个按数量；温度不砍候选，只改形状；Logit Bias 不靠提示词，直接改分数。实际意义是，调参不是玄学：想让某词更容易出现，用 Logit Bias 比写提示词更直接；但如果温度很高，bias 的效果会被稀释。理解管线顺序，能帮你更快定位“为什么模型开始复读”“为什么改了 top-p 却没什么变化”。