目标实验目标
通过手动调整 N-gram 的三个关键参数，直观理解 N（记忆长度）、温度（分布锐度）、平滑（对稀疏的处理） 如何共同决定模型的预测行为。
怎么玩固定一段语料，只动参数。看左侧的候选分布和右侧的算式，注意「候选数量」和「分布形状」这两件事怎么随参数变。
参数控制
1=一元 2=二元 3=三元。N 越大，记住的搭配越具体，但见过的组合越少。
温度低 → 概率分布尖锐，只挑最高频的字；温度高 → 分布平坦，冷门词也有机会。
给每个词都加一点点保底概率，让「没见过的组合」不至于直接判 0。
提示：把「平滑强度」从 0 慢慢拖到 1，再看「香蕉」这个从没出现过的前文——候选是怎么从「无」变成「有」的？
分布下一个词的概率分布
加载中…
算式概率是怎么算出来的
—
命中次数—
前文总次数—
是否触发平滑—
看这里把 N 从 1 调到 3，再回看算式里的「命中次数」——它为什么越来越小？这就是 N-gram 的稀疏困境。
生成让它写一句
…
挑战实验课挑战
挑战 1 · 温度的两端
把温度拉到 0.2 和 3.0，同一前文的分布有什么不同？哪个更像「死记硬背」，哪个更像「乱猜」？
把温度拉到 0.2 和 3.0，同一前文的分布有什么不同？哪个更像「死记硬背」，哪个更像「乱猜」？
挑战 2 · 平滑救场
前文选「香蕉」，平滑=0 时模型无话可说；把平滑调到 0.5 以上，它给出了什么？这个答案靠谱吗？
前文选「香蕉」，平滑=0 时模型无话可说；把平滑调到 0.5 以上，它给出了什么？这个答案靠谱吗？
挑战 3 · N 的代价
把 N 从 1 调到 3，观察「命中次数」。N 大一定更好吗？什么情况下反而更差？
把 N 从 1 调到 3，观察「命中次数」。N 大一定更好吗？什么情况下反而更差？
挑战 4 · 反推参数
想要一个「既给高频词机会、又不完全排除冷门词」的分布，温度和平滑你会分别设成多少？
想要一个「既给高频词机会、又不完全排除冷门词」的分布，温度和平滑你会分别设成多少？