直接回答：三者都作用在 softmax 输出的概率分布上。temperature 调整分布的"陡峭程度"：除以温度 T，T<1 让高概率词更突出（输出更确定保守），T>1 拉平分布（更随机多样），T=0 近似贪心取最大。top-k 只在概率最高的 k 个词里采样，截断长尾。top-p（核采样）按累积概率从高到低取到 p 为止的动态集合，集合大小随分布形状自适应——分布集中时只留两三个候选，分布平坦时保留更多。
实践要点：工程惯例是 temperature 与 top-p 二选一调整，别同时大改，效果会叠加且难归因。事实问答、代码生成、JSON 抽取用 temperature 0~0.3 求稳；创意写作、头脑风暴用 0.7~1.0；超过 1.2 基本只剩胡言乱语。top-p 常用 0.9~0.95 兜住质量下限。还要知道：temperature=0 也不保证严格可复现（浮点非确定性、推理框架的 batch 归并都会引入抖动），业务不能依赖"同样输入必然同样输出"。评测任务建议固定种子并记录采样参数，否则结论无法复现。
追问方向：为什么 top-p 被认为比 top-k 更合理？重复惩罚（repetition/presence/frequency penalty）与采样参数怎么配合？
（约 420 字）