一句话定义：n 参数是大模型 API（Application Programming Interface，应用编程接口）里的一个字段，用来指定「这一次请求返回几条彼此独立的候选结果」，默认值通常是 1。
原理：把「抽一次」变成「抽多次」
模型写每个字（token）时，其实是在做一次抽样（sampling）：按概率分布从候选词里抽一个。抽到哪个带随机性，所以同一个问题问两遍，答案可能不一样。n 参数就是把这条随机路径复制 n 份：同一个输入，独立抽 n 条完整结果回来。
打个比方：你让五个实习生分头做同一道题，各自独立完成，最后把五份答卷一起交给你。n 就是「派几个实习生」。注意他们看的是同一份题目（输入 prompt 只处理一次，可以复用），但每份答卷要各自从头写到尾。
这直接决定了成本结构：输入部分基本不涨，输出部分是 n 倍。多数服务按输出 token 总量计费，所以 n=5 大致就是 5 份解码的钱，具体计价以官方页面为准。延迟上，多条候选一般并行解码，但会占用更多算力配额，高并发时更容易撞限流。
和相邻概念的区别
n 是「参数」，Best-of-N 和自一致性（AI 词典：Self-Consistency">Self-Consistency）是「用法」。n 只负责多给几份，不负责挑；挑的动作由下游完成。
| 概念 | 是什么 | 谁来做选择 |
|---|---|---|
| n 参数 | 接口字段，一次返回几条候选 | 不选，全给你 |
| Best-of-N | 策略：生成 N 个候选后用打分器/验证器取最优 | 奖励模型或硬规则（如单元测试通过） |
| 自一致性 | 策略：多条推理链，对最终答案投票 | 多数票 |
| 束搜索（Beam Search） | 解码算法，保留概率最高的若干前缀继续搜 | 按累计概率 |
区别的关键在于：束搜索是在一条生成路径上「留后路」，n 是开出 n 条互不相干的路；Best-of-N 和自一致性都得先有 n 条路，才有得选。
对从业者的意义
n>1 真正划算的场景，是答案能被自动验证的时候：生成 5 份代码跑单元测试、生成 5 份 JSON 看哪份能解析、分类任务多份投票压噪声。这种场景下 n 是最便宜的准确率杠杆。反过来，开放式写作开 n=5 意义不大——还是得人一份份读，钱花了，时间没省。
两个常见的坑：一是 temperature 设成 0 时，n>1 往往返回几乎相同的文本，白花钱；二是部分接口已不支持 n>1 或直接忽略该字段，用之前查一下官方文档。