一句话说清：对数概率偏置（Logit Bias）是在模型挑下一个字之前的最后一刻，手动给词表里某些 token 加几分或扣几分，让它们更容易、或几乎不可能被选中。
它插在哪一步
大模型生成每个 token 时，会先给词表里所有候选打一个原始分，这个分数叫 logit。分数接着经过 softmax 变成概率，再按概率采样出最终结果。logit bias 就作用在"打完分"和"变成概率"之间——你直接往某个 token 的分数上加一个值：正数等于给它塞选票，负数等于扣票，扣到足够大就近似封杀。
打个比方：公司年会抽奖，每人手里有基础票数。你可以偷偷给某位同事加一百票，也可以把某人的票全没收。但你不是直接指定中奖人——除非加的票多到压过所有人，否则只是"提高命中率"。
和相邻手段的区别
| 手段 | 作用位置 | 作用方式 | 典型用途 |
|---|---|---|---|
| Logit Bias | 打分后、采样前 | 定向加减某个 token | 强制格式、屏蔽词 |
| AI 词典：Temperature">Temperature | 采样前 | 所有 token 统一缩放 | 调随机性 |
| Top-k / Top-p | 采样前 | 动态砍候选池 | 控多样性 |
| 提示词 | 输入端 | 间接影响 | 引导风格与内容 |
| 微调 | 权重层 | 改变模型本身 | 学新能力 |
关键差别：temperature 是把所有人的分数一起除以同一个数，改变整体陡峭程度，不会专门照顾谁；top-p 是砍掉长尾候选；而 logit bias 是点名式的，指哪打哪。
实际怎么用
- 结构化输出：强制第一个 token 是
{，或把分类结果锁在几个标签里。 - 合规屏蔽：给脏话、竞品名、内部禁词一个很大的负偏置，基本就不会冒出来。
- 纠错：模型总把某产品名写成错别字，可以给正确写法加偏置。
- 稳定格式：日期、布尔值、枚举参数只允许特定写法。
三个坑
第一，token 不等于词。一个中文词可能被切成两三个 token，只偏置其中一个是拦不住的，得覆盖所有切分形态。
第二，偏置过头会伤流畅度，模型被逼着用某个词，句子可能变得生硬甚至重复。
第三，它只能从模型本来认识的候选里挑，改变不了模型的知识边界——不会的东西加多少分也变不出来。
各家平台的参数名、取值区间和写法并不统一，有的用 token 字符串，有的用 token id，具体以官方文档为准。
对从业者来说，这是最轻量的生成控制手段之一，适合当"最后一道微调"；对普通用户来说，它解释了为什么同一个问题，在某些产品里输出总被"掰"向某几个固定词。