本次查询：束搜索
中文解释：束搜索
常见场景：机器翻译 / 文本摘要 / 对话生成 / 代码补全等所有自回归生成模型（如GPT / T5
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。