跳到主要内容
Zubnet AI › 学习 › Wiki

AI 维基 — 第 6 页,共 10 页

AI概念,由建造者解释,而非教科书。没有术语墙。没有学术门槛。清晰、实用的定义。

454 术语 8 分类 2026-11-22 更新
💡
每日术语
语义搜索
基于语义而非精确关键词匹配来查找结果的搜索方式。语义搜索不是寻找包含“修复”这个词的文档,而是找到关于“修理”、“解决”、“补丁”和“调试”的文档,因为它们含义相近。它的工作原理是将文本转换为嵌入向量(数值向量),然后在向量空间中找到最接近的匹配项。
→
本页没有符合筛选条件的术语。

第 251–300 个术语,共 454 个 · 第 6 页,共 10 页

筛选本页

机器遗忘别名:Machine Unlearning、Unlearning、遗忘学习、LLM Unlearning
训练
让已经训练好的模型忘掉特定数据或知识,而不必从头重新训练的一类技术。
Mamba别名:选择性SSM
模型
由Gu和Dao提出的选择性状态空间模型。序列长度线性扩展,而非Transformer的二次方。压缩的隐藏状态被选择性更新——重要信息被保留,无关信息衰减。
掩码语言建模别名:MLM、掩码LM、完形填空
训练
一种自监督训练目标,将输入中的随机token替换为[MASK]…
Matrix Multiplication别名:Matmul、GEMM
基础
所有神经网络底层的基本数学运算。将权重矩阵与输入向量(或矩阵)相乘产生输出向量。每个线性层、每次注意力计算和每次嵌入查找最终都是矩阵乘法。AI硬件(GPU、TPU)的性能以其执行矩阵乘法的速度来衡量。
MCP别名:模型上下文协议
工具
一个开放协议(由Anthropic创建),用于标准化AI模型如何连接外部工具和数据源。可以将其视为AI领域的USB-C——一种统一的标准接口,而不是为每个工具都进行定制集成。MCP服务器提供功能;MCP客户端(如Claude)使用这些功能。
机制可解释性别名:Mech Interp
安全
在神经元/电路/特征层面逆向工程神经网络内部的运作机制。不仅关注模型输出了什么,更关注它是如何计算的。
记忆别名:AI 记忆、持久化上下文
使用AI
允许AI模型在单次对话之外保留和回忆信息的机制。这包括上下文记忆(使用上下文窗口)、外部记忆(RAG、向量数据库)、持久化对话记忆(跨会话记住用户偏好)和工作记忆(在多步骤代理任务中维持状态)。—记忆正是让AI感觉像一个协作者而非无状态工…
Meta AI别名:Llama、FAIR
公司
Meta的人工智能研究部门,FAIR(基础人工智能研究)所在地。负责开放权重的Llama模型系列以及PyTorch,这是被大多数人工智能行业使用的深度学习框架。
Microsoft别名:微软、Microsoft AI、Azure AI
公司
Copilot、Azure 和 Phi 模型背后的软件巨头,也是 OpenAI 早期最大的投资方。
公司
以美学精炼著称的AI图像生成工具。通过Discord和网页端运营。团队精简、盈利、注重质量。
MiniMax别名:MiniMax 模型、海螺 AI、视频生成
公司
中国AI公司构建跨文本、语音和视频的大规模模型。以其Hailuo消费平台和日益具有竞争力的多模态模型而著称。
Mistral AI别名:Mistral、Mixtral、Codestral、Le Chat
公司
欧洲人工智能巨头,由前DeepMind和Meta研究人员创立。凭借高效模型实现超预期表现,并倡导开放权重分发与商业产品并行推进。
混合精度训练别名:FP16、BF16、半精度
训练
使用较低精度的数值格式(16位而非32位)进行大部分计算来训练神经网络,同时保持关键操作在全精度下运行。这将GPU的有效内存容量和计算速度提高一倍,对模型质量的影响很小。BF16(bfloat16)是LLM训练的标准;FP16用于推理。
MLA别名:Multi-head Latent Attention、多头潜在注意力
模型
DeepSeek 提出的注意力设计,为每个 token 只存一个压缩后的小向量,而不是完整的键和值,从而大幅缩小 KV 缓存。
MLX别名:MLX-LM、Apple MLX
工具
Apple 为 Apple Silicon 推出的开源机器学习框架,被广泛用于在 Mac 上本地运行和微调模型。
MMLU别名:Massive Multitask Language Understanding、MMLU-Pro、GPQA
训练
一套涵盖 57 个学科、约 16,000 道题的选择题考试,在被模型刷到接近满分之前一直是衡量 LLM 通识知识的标准。
模型别名:AI 模型、ML 模型
基础
一个经过训练的数学系统,它接收输入并根据从数据中学习到的模式生成输出。在人工智能领域,“model(模型)”是用于描述你实际使用的事物的统称——无论是GPT-4生成文本、Stable…
模型卡别名:模型文档、数据表
安全
一份描述机器学习模型预期用途、性能特征、训练数据、局限性和伦理考量的标准化文档。由Mitchell等人(2019)引入,模型卡旨在提高透明度,帮助用户做出关于模型是否适合其用例的明智决策。
模型坍缩别名:数据反馈循环
训练
当 AI 模型在前代 AI 模型生成的数据上训练时发生的退化,形成一个错误和偏差跨代累积的反馈循环。每一代都会丢失一些多样性并放大前一代的某些伪影,最终产生生成重复、通用或失真输出的模型。
模型合并别名:TIES、DARE、SLERP、Frankenmerge
训练
将多个微调模型的权重合并为单个模型,无需任何额外训练。如果模型A擅长编码,模型B擅长创意写作,合并它们可以产生一个两者都擅长的模型。流行的合并方法包括SLERP(球面线性插值)、TIES(解决符号冲突)和DARE(合并前随机丢弃参数)。
模型注册表别名:模型存储、模型目录
基础设施
一个集中化的系统,用于在整个生命周期中对训练好的机器学习模型进行版本管理、追踪和管理。类似于包注册表(npm、PyPI),但面向ML模型:每个模型版本与其元数据(训练数据、超参数、性能指标、血统)一起存储,使得复现结果、比较版本和部署特定…
Model Serving别名:vLLM、TGI、TensorRT-LLM、推理服务器
基础设施
在生产中运行训练好的AI模型的基础设施和软件,处理传入请求、管理GPU内存、批量处理以提高效率并返回响应。vLLM、TGI(文本生成推理)和TensorRT-LLM等模型服务框架解决了使LLM推理在大规模上快速且经济高效的复杂工程问题。
专家混合模型别名:MoE
模型
一种架构,其中模型包含多个“专家”子网络,但每个输入仅激活其中少数几个。一个路由网络决定哪些专家与给定的token相关。这意味着模型可以拥有1000亿+的总参数,但每次前向传递仅使用200亿个参数。
月之暗面别名:Kimi、超长上下文模型
公司
中国人工智能公司因推出Kimi而引起轰动,这是一款拥有200万token上下文窗口的聊天机器人。由杨植麟创立,他此前是长上下文建模关键创新的幕后研究人员。
多智能体系统别名:多智能体、智能体群
使用AI
多个 AI 智能体协作、辩论或专精化以解决单个智能体无法独自处理的问题的架构。每个智能体可能有不同的角色(研究员、程序员、审查员)、不同的工具或不同的模型。它们通过结构化消息、共享内存或直接交接进行通信。
多头注意力别名:MHA
基础
并行运行多个注意力操作,每个操作都有自己学习到的查询、键和值的投影。多头注意力不是用一个注意力函数处理完整的模型维度,而是将维度分成多个"头"(例如,4096维模型使用32个头,每个128维)。每个头可以同时关注不同类型的关系。
多查询注意力别名:Multi-Query Attention、MQA
模型
一种注意力设计:所有查询头共享同一组键和值,从而缩小 KV 缓存、加快推理。
基础
能够理解和/或生成多种类型数据(文本、图像、音频、视频、代码)的模型。克劳德可以读取图像和文本;一些模型还可以生成图像或语音。“多模态”与仅处理一种类型数据的“单模态”模型形成对比。
音乐生成别名:AI音乐、文本到音乐
使用AI
使用AI模型从文本描述、旋律或其他音频输入创作音乐。“一首带有朗朗上口的合成器旋律、120 BPM的欢快电子曲目”产出一首完整的音乐作品。Suno、Udio、MusicLM(Google)和Stable…
大海捞针别名:Needle in a Haystack、NIAH、捞针测试
训练
一种长上下文测试,把一条小小的事实藏进一篇很长的文档里,检查模型能否把它找出来。
反向提示别名:负面条件引导
使用AI
描述你不想在生成图像中出现的内容的文本,与主提示一起使用。提示:“美丽的风景。”反向提示:“模糊、低质量、文字、水印、人物。”模型在生成过程中主动避开反向提示中的概念。反向提示主要用于Stable Diffusion和其他开放图像生成模型。
命名实体识别别名:NER、实体抽取
使用AI
识别和分类文本中的命名实体——人名、组织、地点、日期、金额和其他专有名词。在“苹果公司宣布在慕尼黑投资30亿美元”中,NER识别出苹果(组织)、30亿美元(金额)、慕尼黑(地点)和周二(日期)。这是信息抽取、搜索和知识图谱构建中的基础NL…
基础
一种受生物大脑启发,由多层相互连接的“神经元”(数学函数)组成,这些神经元通过数据学习模式的计算系统。信息通过各层流动,逐步转换,直到网络产生输出。每个现代AI模型都是一种神经网络。
神经元别名:人工神经元、感知机、节点
基础
神经网络的基本计算单元。人工神经元接收输入,将每个输入乘以一个权重,求和后加上偏置,再通过激活函数产生输出。成千上万到数十亿个这样的神经元,按层组织并通过学习得到的权重相连,构成了驱动所有现代AI的神经网络。
自然语言处理别名:NLP
基础
人工智能的一个分支,旨在使机器能够理解、解释和生成人类语言。自然语言处理涵盖了从基础的文本处理(分词、词干提取、词性标注)到复杂任务如情感分析、机器翻译、摘要生成和问答系统的一切内容。在Transformer模型出现之前,自然语言处理是一…
Normalization别名:LayerNorm、RMSNorm、BatchNorm
训练
通过将网络中流动的值归一化到一致的尺度来稳定神经网络训练的技术。层归一化(LayerNorm)在每个样本内跨特征进行归一化。RMSNorm是一个简化的变体。批归一化(BatchNorm)跨批次进行归一化。每个Transformer都在层之…
NPU别名:Neural Processing Unit、神经网络处理器、神经处理单元、AI 加速器
基础设施
专门为高效运行神经网络而设计的芯片或芯片中的一部分,用于手机、笔记本电脑等设备上的端侧 AI。
NVIDIA别名:GPU、H100/H200、NeMo
公司
这家公司的GPU驱动了全球几乎所有AI训练和大部分推理。最初是一家显卡公司,它成为了AI行业最关键的硬件供应商,短暂地使NVIDIA成为地球上最有价值的公司。
目标检测别名:边界框检测
使用AI
在图像或视频中识别和定位目标,通过在其周围绘制边界框并分类每个框包含的内容。“在位置(x1,y1,x2,y2)有一辆车,在(x3,y3,x4,y4)有一个人。”与图像分类(说出图像中有什么)不同,目标检测说出图像中有什么以及在哪里——使计…
OCR别名:光学字符识别、文字识别
使用AI
从图像中提取文字——文档照片、截图、标志、手写笔记,或任何包含文字的图像。现代OCR结合了文字检测(找到文字在图像中出现的位置)和文字识别(读取文字内容)。深度学习OCR在处理弯曲文字、多语言、多种字体和低质量图像方面远优于旧的基于规则的…
工具
一个用户友好的工具,只需一条命令即可在本地运行语言模型。Ollama 将 llama.cpp 包装成类似 Docker 的体验:ollama run llama3 会下载并运行 Llama…
ONNX别名:开放神经网络交换格式
基础设施
一种用于表示机器学习模型的开放格式,实现框架之间的互操作性。在PyTorch中训练的模型可以导出为ONNX,然后使用ONNX…
开放与封闭别名:开源与专有、开放权重之争
基础
关于AI模型应该公开发布(权重公开可用,如Llama和Mistral)还是保持专有(仅通过API可用,如Claude和GPT)的持续辩论。开放倡导者主张透明、竞争和民主化。封闭倡导者主张安全、负责任的部署和防止滥用。现实是一个光谱:真正“…
开放权重别名:开源 (AI 语境)
安全
当一家公司发布模型的训练参数,供任何人下载和运行时,"开放权重"比"开源"更准确,因为大多数发布的模型不包含训练数据或训练代码—你得到的是成品模型,而不是制作它的配方。Llama、Mistral和Qwen都是开放权重模型。
OpenAI别名:GPT、ChatGPT、DALL-E、Sora
公司
ChatGPT和GPT系列模型背后的公司。最初是一家非营利研究实验室,当ChatGPT于2022年11月推出时,OpenAI成为了人工智能革命的公众面孔。
OpenAI 兼容 API别名:OpenAI-Compatible API、OpenAI 兼容接口、OpenAI 兼容端点、Chat Completions API
基础设施
一种照搬 OpenAI Chat Completions 端点请求和响应格式的 API,让现有的 OpenAI 客户端代码只需更换 base URL 就能用于其他模型。
公司
OpenRouter 是一个统一的 API 网关,让开发者通过单个 API 密钥和一个 OpenAI 兼容接口,访问来自不同提供商的数百个大型语言模型。它由 Alex Atallah 于 2023 年推出,负责跨…
优化别名:模型优化、推理优化
训练
一系列用于使AI模型更快、更小、更便宜或更准确的技术。这包括训练优化(混合精度、梯度检查点、数据并行)— 推理优化(量化、剪枝、知识蒸馏、推测解码)—…
训练
当模型过度记忆训练数据,导致无法对新输入进行泛化时。就像一个学生死记硬背练习题答案,却无法解决新问题。模型在训练数据上表现优异,但在未见过的数据上表现不佳。
基础设施
一种借鉴操作系统虚拟内存的KV缓存内存管理技术。PagedAttention不为每个请求的KV缓存分配连续的GPU内存块(这会因碎片化而浪费内存),而是将缓存存储在按需分配的非连续块("页")中,并可在具有公共前缀的请求之间共享。
ESC