一句话定义
min-p 采样（Min-p Sampling）是在大模型生成文本时，先看当前概率最高的那个词有多大概率，再按它的一个比例设门槛，把没到门槛的长尾候选全部砍掉，只在剩下的词里重新归一化并随机抽取。
原理：门槛不是分数，是"第一名的百分之几"
不少采样方法都在做同一件事：别让模型从成千上万个几乎没意义的候选词里乱抽。区别在于"砍到哪儿"。
假设 min_p = 0.1，看的是一句话里下一个词该选谁：
- 模型很笃定时，第一名概率 60%，门槛 = 60% × 0.1 = 6%，只有少数几个词过关，输出很干净；
- 模型心里没底时，第一名概率只有 12%，门槛自动降到 1.2%，候选词多起来，模型还能有点发挥空间。
换成生活场景：投票选代表。top-p 像是"一路往下收，直到凑够 90% 的票"；min-p 像是"只留得票达到第一名十分之一的人"。第一名优势明显时，队伍很短；谁都不服谁时，队伍自动变长。
和近亲的区别
| 方法 | 保留什么 | 候选集大小 | 典型毛病 |
|---|---|---|---|
| top-k | 概率最高的固定 k 个 | 恒定 | 分布尖锐时仍留下废话词，平坦时又砍太狠 |
| top-p | 累积概率达到 p 的最小集合 | 随分布浮动 | 模型很笃定时，长尾单个极小但数量众多，仍可能被凑够而留下 |
| min-p | 概率 ≥ min_p × 最高概率的词 | 随"最高概率"浮动 | 需要调 min_p，太大则答案僵化 |
关键差别在于门槛参照物：top-p 参照的是概率总和，min-p 参照的是第一名本身。所以前者在自信场景下容易"尾大不掉"，后者会跟着置信度自动收紧或放宽。
对从业者的意义
min_p 通常在 0 到 0.1 这个量级里调，越大越保守，越小越放飞，常和温度（temperature）配合使用。它的好处是省心：换模型、换提示词风格时，不用因为分布形状变了就反复重调。它只是采样策略，不负责事实正确性。具体实现与默认值以各家官方文档为准。
对普通人的意义
你偶尔看到模型蹦出怪 token、格式崩掉、或者一句话里反复绕，很多是长尾采样惹的祸。min-p 的思路是：该稳的时候稳，该活的时候活——把"砍多狠"这件事，交给模型当下的把握程度去决定。