一句话定义

文本生成时，不单单只保留一条句子，同步维持 K 条最优候选句子（K叫束宽 beam size）。每一步新词预测后，筛选总分最高的K条继续推演，直到生成结束，最后选出综合得分最高的句子作为结果。

束宽 Beam Size：你要并行保留多少条候选路线。常用取值 3 / 5。 当 Beam Size = 1，束搜索 = 贪心解码。

生活化类比

你想爬山找最佳观景路线。

  • 贪心解码：每次岔路口只选当下看起来最好走的一条路，一条路走到头，不考虑别的分支。
  • 束搜索（beam size=2）：同时开辟2条道路往前走。每遇到岔路，两条路各自分出新分支；全部分支评比，只留下综合表现最好的2条继续前进，其余路线直接舍弃。抵达终点后，对比两条完整路线，选出体验最好的那条。

结合供应链案例直观演示

上文：零部件库存不足，设定 beam size = 2 词候选：缺货、物流、采购

第1轮预测

所有可能短句：

  1. 零部件库存不足 缺货
  2. 零部件库存不足 物流
  3. 零部件库存不足 采购

保留得分最高2条，淘汰“采购”。 当前存活两条候选： A：零部件库存不足 缺货 B：零部件库存不足 物流

第2轮预测

A、B两条句子分别独立预测下一个单词，产生一堆新句子； 汇总全部新句子，再次排名，依旧只保留总分最高2条。

持续循环

不断扩展句子，直到任意一条生成结束符。 全部路径生成完毕后，对比所有完整句子的累计分数，选出最终答案。

⚠️重点： 它评判好坏看整条句子累积概率，不只看当下这一个单词，很大程度解决贪心“只顾眼前”的缺陷。

✅优势

  1. 相比贪心解码，更容易产出通顺、逻辑完整的长文本；
  2. 机器翻译场景行业标配。

❌短板

  1. 需要同时计算多条句子，算力更高、响应速度更慢；束宽K越大，消耗资源越多；
  2. 依然是确定性算法，每次输入得到的结果固定；
  3. 倾向生成保守、平淡的文字，缺少创造性，不适合聊天机器人；
  4. 束宽增大带来的提升存在天花板，一般K＞5后效果提升微乎其微。

【关键链路串联】

Decoder输出Logits → Softmax得到词汇概率 → Beam Search：维持多条候选句子，每一轮扩展、筛选保留Top-K → 生成终止后，挑选总分最优句子 → 输出文本

30秒汇报话术

束搜索是改进版的文本生成策略。我们设定束宽K，同步保留K条候选句子同步生成。每一轮预测新词后筛选最优K条继续推演。 相比贪心解码，它兼顾整条文本的整体质量，语句流畅度更好；缺点是算力开销更大。它适合机器翻译这类重视语句通顺、不需要创意的场景。

补充区分（方便记忆）

  1. Greedy（贪心）：只留 1 条路径，速度最快
  2. Beam Search（束搜索）：保留 K 条路径，追求通顺
  3. Top-p / Top-k 采样：引入随机，用来实现多样化对话