束搜索：让AI生成文本不再“天马行空”的关键约束技术
束搜索是一种广泛应用于序列生成任务的解码策略，通过在每一步保留多个最有可能的候选序列（即“束宽”），并在生成结束时选择整体最优序列，以在生成质量和计算效率之间取得平衡，避免贪心搜索的局部最优陷阱。
一句话解释
束搜索是AI在生成文本（如翻译、对话）时，每一步都同时追踪多条最有可能的“未来路径”，最后从中选出整体最优那条路径的智能决策方法。
为什么会被关注
随着ChatGPT等大模型普及，用户发现AI有时会生成逻辑混乱或重复的文本。束搜索作为主流的确定性解码方法，是控制生成质量、确保输出连贯可靠的核心技术之一，其参数（如束宽）直接影响生成结果的可读性与多样性。
核心逻辑
其核心是“宽度优先的剪枝”。设定一个束宽（如4），每一步只保留当前概率最高的4个候选序列，然后基于它们各自生成下一个词，再从所有新候选序列中选出概率最高的4个继续。如此反复，直到所有候选序列都生成结束符，最后从完整的候选序列中选出综合得分（如概率总和最高）的作为最终输出。
常见场景
1. 机器翻译：确保生成的译文整体通顺，避免某个词翻译得好但整句别扭。
2. 文本摘要与创作：生成更连贯、逻辑更完整的段落，减少前言不搭后语的情况。
3. 代码生成与补全：生成语法正确、结构合理的代码块，提高可用性。
4. 语音识别：将声学特征解码为文字序列时，提升识别句子的整体准确性。
容易混淆的点
束搜索常与“贪心搜索”和“采样”混淆。贪心搜索每一步只选当前最可能的词，容易陷入局部最优，生成质量不稳定；采样（如核采样、顶k采样）则引入随机性以增加多样性，但可能牺牲一致性。束搜索是两者的折中：通过束宽引入有限宽度的全局视野，是确定性方法（相同输入输出不变），旨在寻找全局更优解。
另外，束宽并非越大越好。增大束宽能提升找到最优序列的机会，但计算开销呈线性增长，且过大的束宽可能导致生成文本过于保守、缺乏新意。实践中需要根据任务在质量、效率和多样性间权衡。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词大语言模型是一种基于海量文本数据训练的人工智能模型，能够理解、生成和推理人类语言。它通过深度学习技术，学习语言的统计规律和语义关联，从而完成对话、写作、翻译等多种任务，是当前生成式AI浪潮的核心驱动力。