等价类划分法：减少测试用例数量
做参数调试，最怕什么？最怕用例太多，跑一次要等半天。我见过不少团队，参数组合一多就直接上全量遍历，结果CI流水线从20分钟变成2小时。其实没必要。你想想看，很多参数值其实是“等价”的——它们的表现模式一样，测一个就能代表一类。
这就是等价类划分法的核心思想。说白了，就是把无穷无尽的输入域，压缩成几个有代表性的类。每个类里挑一个值，就够了。
核心思想：用最少用例覆盖最多场景
等价类划分法不是什么新鲜概念，但在exhaustiveness参数调试中特别好用。我个人的习惯是，拿到一个参数后，先问自己三个问题：
- 这个参数有哪些合法的输入值？
- 哪些值的行为是“相同”的？
- 边界上的值有没有特殊表现？
回答了这三个问题，等价类基本就划分出来了。举个例子，假设你的模型有个参数叫temperature，取值范围是0.0到2.0。你不需要测0.01、0.02、0.03……所有值。它们属于同一个等价类——低温确定性区。取一个0.1就够了。
关键原则：同一个等价类的值，系统应该表现出相同的行为。如果发现某个值的行为和其他同类不一致，那就说明你划分错了，或者这个参数有隐藏的非线性特性。
一个小技巧：我通常先用--help或文档确认参数的合法范围，然后手动枚举出"明显不一样"的几类。而不是一上来就写脚本去穷举。
一个真实案例：AI对话系统的temperature参数
之前在调一个对话模型时，遇到了temperature参数。官方文档说取值范围是[0.0, 2.0]，但实际测试发现，0.0到0.3之间的回答几乎一模一样，0.7到1.5之间开始出现多样性，1.5以上就完全放飞了。你猜怎么着？其实只需要三个等价类：
| 等价类 | 取值范围 | 代表值 | 预期行为 |
|---|---|---|---|
| 低温确定区 | 0.0 ~ 0.3 | 0.1 | 输出稳定，几乎每次都一样 |
| 中温平衡区 | 0.4 ~ 1.2 | 0.8 | 有一定随机性，但内容可控 |
| 高温发散区 | 1.3 ~ 2.0 | 1.8 | 输出变化大，可能偏离主题 |
你看，三个用例就覆盖了整个温度范围。如果按穷举法，哪怕步长0.1，也得跑21次。代价差了一个数量级。
不过要注意一点：等价类划分不是一刀切的。我曾经犯过一个错误——把0.4和0.9都划到“中温区”，结果0.4附近出现了随机性断层。后来才发现，模型在这个参数空间里有一个隐藏的模式切换点。所以，划分等价类后，建议在边界附近补一两个用例。
再举一个例子：top_k 和 top_p 的组合
很多采样参数是配合使用的。比如top_k（整数范围1~100）和top_p（浮点范围0.0~1.0）。这时候等价类划分法依然管用，但要考虑“组合等价类”。
我的做法是：先把每个参数单独划分，然后组合时只取“有意义的搭配”。比如：
top_k的等价类：极小值(1)、中等值(50)、极大值(100)top_p的等价类：极小值(0.1)、中等值(0.5)、极大值(0.9)
组合起来有3×3=9种。但实际上，当top_k=1时，top_p的值基本不影响结果。所以可以砍掉(1, 0.5)和(1, 0.9)这两个组合。最终剩下7个。少了2个，但覆盖度没降。
注意陷阱：等价类划分法的最大风险是“类内不一致”。两个看起来差不多的值，内部实现可能走了不同的分支。所以，初次划分后一定要用一小批随机值做验证。如果发现异常，就说明等价类需要拆得更细。
等价类划分法的通用步骤
我梳理了一下，在实际项目中可以这样操作：
- 明确输入域：从文档、API定义或源码里确认参数的合法范围。
- 识别关键特征：比如整数/浮点、正/负、边界、空值等。
- 初步划分：按直觉划分出3~5个等价类。
- 边界值验证：每个类的边界附近取2~3个值，验证类内一致性。
- 优化合并：如果相邻两个类的行为完全一致，就合并它们。
- 生成测试用例：每个类选一个代表值，边界也加上。
这套流程我用了好几年，基本没出过大问题。关键就是第4步——验证类内一致性。很多人跳过这步，结果漏掉了隐藏的模式切换点。
SVG：等价类划分流程
进阶用法：多参数联合等价类
刚才是单参数，现实场景中往往是多个参数联动的。比如frequency_penalty和presence_penalty，它们都是[0.0, 2.0]的浮点数，但作用机制不同。我遇到过一种情况：两个参数都取大值时，模型输出会出现重复抑制导致的短回复。这个现象在单个参数测试时完全没暴露出来。
处理多参数等价类，我建议用“正交等价类矩阵”。先把每个参数划分出3~5个等价类，然后只取正交中心点。举个例子：
参数A等价类: [0.1, 1.0, 1.9]
参数B等价类: [0.2, 0.8, 1.5]
正交组合:
(0.1, 0.2) -- 双低
(0.1, 1.5) -- A低B高
(1.0, 0.8) -- 双中
(1.9, 0.2) -- A高B低
(1.9, 1.5) -- 双高一共5组，就能覆盖大多数交互模式。比全量9组少了近一半。
实战建议：对每个正交组合，建议再加上“边界扰动”——比如A取边界值0.0和2.0，看是否出现异常。我在做LLM采样参数调试时，就靠这招抓到了两个参数在边界附近的负交互bug。
避坑指南：我踩过的三个坑
- 坑一：以为所有参数都适合划分等价类。有些参数的行为不是单调的，而是有多个模式切换点。比如
top_k从1到100，你在每个数量级的行为都不同。这时候不能只划3个类，得按对数尺度划。 - 坑二：忽视无效等价类。参数范围外的值（比如
temperature=-1或top_p=1.5）也需要测。我曾经漏掉负值，结果API返回的是模糊的错误信息，导致线上误报。 - 坑三：过早优化。刚开始调一个新模型时，先用全量小规模采样跑一遍，发现模式后再做等价类划分。直接跳过探索阶段容易错过重要的非线性特征。
提醒一句：等价类划分法不是为了省事而省事。它的本质是“用对测试设计的理解，换取测试效率的提升”。如果对参数行为不够了解，就不要强行压缩用例。先跑一轮探索性测试，再回头做划分，会安全得多。
写在最后
等价类划分法是我做参数调试时最常用的武器之一。它不复杂，但非常实用。关键是培养一种直觉——看到参数范围，就能立刻判断哪些值是“同一类”。这种直觉，靠的是大量实践和复盘。多踩几次坑，自然就懂了。