Softmax with Temperature

LLM 샘플링, 강화학습 policy, knowledge distillation 에서 모두 쓰이는 온도 조절 softmax-v1. 로짓을 $T$ 로 나눈 뒤 softmax-v1:

$p_i = \frac{\exp(x_i / T)}{\sum_j \exp(x_j / T)}$

온도의 효과

• $T \to 0^+$: sharp — argmax 에 확률 집중 (greedy).
• $T = 1$: 표준 softmax-v1.
• $T \to \infty$: uniform — 모든 클래스 확률 동일.

과제

함수 softmax-v1_t(x, T) 를 완성하세요.

• x: shape (N,) 로짓.
• T: 양의 실수 온도.
• 반환: 확률 분포 (합 1, 각 원소 >0).
• 수치 안정성을 위해 max 를 빼고 지수화 (온도로 나눈 후에).

테스트 케이스