一句话定义：Mirostat 采样（Mirostat sampling）是一种大语言模型（Large Language Model, LLM）解码时的采样策略，它不固定候选词范围，而是动态调整截断阈值，让整段输出的“困惑度”（perplexity）尽量贴近你设定的目标值。
模型每生成一个词，都会给出下一个词的概率分布。传统做法是先用温度（temperature）缩放，再用 Top-k 采样（Top-k sampling）或 AI 词典：Top-p">Top-p 核采样（nucleus sampling）截断，然后从剩下的词里随机抽。问题是这些阈值通常是固定的：分布很尖锐时，Top-p 可能放进一堆小概率词，输出突然跑偏；分布很平坦时，又可能反复抽到少数几个词，文本绕圈复读。Mirostat 把“输出有多惊讶”当成控制目标。它每一步都看已经生成的内容，估计当前困惑度——困惑度低，说明模型很确定、文本可预测；困惑度高，说明选词很意外、随机性大。如果当前困惑度低于目标，它就适当放宽候选范围，允许更意外的词；高于目标，就收紧范围，只从更稳的词里选。这像开车用定速巡航：上坡下坡时自动补油或收油，让车速稳定在设定值，而不是死踩固定油门。
它和相邻概念的区别可以这样看：
| 方法 | 控制目标 | 参数直觉 | 常见毛病 |
|---|---|---|---|
| 温度 | 分布平坦度 | 高更随机，低更确定 | 全局固定，不随上下文变 |
| Top-k | 候选词数量 | 每次只抽前 k 个 | k 固定，分布变化时太死板 |
| Top-p | 候选词累计概率 | 抽累计概率到 p 的集合 | p 固定，随机性会波动 |
| Mirostat | 输出困惑度 | 设定目标困惑度，自动调范围 | 需要调目标值，实现稍复杂 |
对从业者，Mirostat 是调采样参数时的一个“自动挡”。当你发现模型要么复读、要么胡言乱语，可以试它：目标困惑度越低，输出越保守；越高越放飞。实际实现中通常会有不同版本，较新的版本主要改进了计算效率。具体默认值和可用性以你用的推理框架或 API 官方页面为准。对普通人，它解释了为什么同一个模型换个采样设置，文风能从“机器人复读”变成“天马行空”——背后不只有温度，还有对随机性的动态控制。