什么是束搜索？AI 如何同时保留多个生成方向
束搜索 Beam Search 是什么？它如何在文本生成中同时尝试多个候选、和贪心解码及采样有何区别，以及为什么聊天模型不总用它。
编辑部 ·
模型生成文本时，每一步都有多个可能的下一个 token。最简单的办法是永远选概率最高的那个，叫贪心解码；但早期一个小选择可能让后面走入不佳路径。**束搜索（Beam Search）**会同时保留几条最有希望的候选路径，向前展开后再淘汰较差的。
它像多带几条备选路线
设束宽为 3：模型不会只保留当前最可能的一句话开头，而是保留 3 种开头；下一步每种再扩展，最后选整体概率最好的几条。束宽越大，搜索越广，计算也越贵。
和其他生成方式的区别
| 方法 | 特点 | 常见用途 |
|---|---|---|
| 贪心解码 | 每步只选最高概率 | 快速、确定性任务 |
| 束搜索 | 保留多个高概率路径 | 翻译、结构化生成 |
| 采样 | 按概率随机选择 | 聊天、创作、多样化输出 |
聊天模型常希望回答自然、多样，有时还会设置温度或 top-p 采样；束搜索倾向选择高概率、保守的句子，容易让多条结果变得相似甚至重复。因此它并非所有生成任务的最佳默认选项。
总结
束搜索通过同时保留多条候选路径，降低“第一步选错导致全盘跑偏”的风险。它用更多计算换取更稳的高概率输出，尤其适合目标明确、可用整体概率衡量质量的任务；而开放式对话通常更需要采样带来的多样性。