多样本聚合策略（multi-sample aggregation strategies），如多数投票（majority voting）和 Best-of-N 采样，已被广泛应用于当代大型语言模型（Large Language Models，LLMs）中，以提升在各类任务中的预测准确性。在此过程中，一个关键挑战是温度参数的选择，该参数对模型性能有显著影响。现有方法通常依赖固定的默认温度，或需使用带标签的验证数据进行调参，而这类数据在实际中往往稀缺且难以获取。

本文旨在解决在无需任务特定验证数据的前提下，使用多样本聚合策略为不同LLMs自动寻找（近）最优温度的问题。我们对温度在性能优化中的作用进行了系统分析，涵盖模型架构、数据集、任务类型、模型规模与预测准确性等多种变量。 此外，我们提出了一种基于熵的全新度量方法，用于自动优化温度参数，在多个实验中其表现持续优于固定温度的基线方法。我们还引入了一种随机过程建模方法，提升了温度调节过程的可解释性，帮助深入理解温度与模型性能之间的关系。