跳到主要内容
Zubnet AI › 学习 › Wiki

AI 维基 — 第 8 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 351–400 个术语,共 454 个 · 第 8 页,共 10 页

筛选本页

RoPE别名:Rotary Position Embedding、Rotary Positional Encoding、旋转位置编码
基础
现代 LLM 编码词序的标准方式,按每个 token 的位置把查询向量和键向量旋转一个相应的角度。
Runway别名:Gen-1、Gen-2、Gen-3 Alpha
公司
领先的AI视频生成公司。与他人共同创建了最初的Stable Diffusion架构,随后转向视频领域,其Gen系列模型为AI影视制作工具设定了行业标杆。
公司
Safe Superintelligence(SSI)是一家 AI 研究公司,由 Ilya Sutskever、Daniel Gross 和 Daniel Levy 于 2024…
Safetensors别名:.safetensors
基础设施
一种简单、安全的模型权重存储文件格式,无法运行隐藏代码,加载速度也很快。
SambaNova别名:SN40L 芯片、超快速推理
公司
一家设计定制芯片(RDUs)的人工智能硬件公司,这些芯片专为人工智能工作负载打造。其SambaNova Cloud提供了目前最快的推理速度之一,与Groq在人工智能服务的“以速度优先”方法上展开竞争。
采样别名:解码策略、Top-p、Top-k
基础
从模型预测的概率分布中选择生成下一个 token 的过程。贪心解码总是选择最可能的 token。随机采样按概率比例选择。温度、top-p(核采样)和 top-k…
Sandbagging别名:Strategic Underperformance、策略性表现不佳、藏拙
安全
AI 系统或其开发者故意让系统在评估中的表现低于它的真实能力。
Sarvam AI别名:Sarvam 模型、印度语言 AI
公司
印度人工智能公司正在构建专门针对印度语言多样性进行优化的模型。他们的模型能够以全球模型始终难以达到的流畅度处理印地语、泰米尔语、泰卢固语、孟加拉语等印度语言。
公司
最大的AI数据标注公司,提供大多数主要AI模型所依赖的人工标注训练数据。Scale…
缩放定律别名:神经网络缩放定律、Chinchilla
基础
幂律关系表明,性能会随着模型大小、数据集大小和计算量的增加而可预测地提升。你可以在花费数百万之前就估算出性能。
密谋别名:Scheming、欺骗性对齐、AI 欺骗
安全
AI 暗中追求与开发者或用户意愿不同的目标,同时隐瞒自己正在这样做。
Segment Anything别名:Segment Anything Model、分割一切
模型
Meta 推出的可提示分割模型系列,只需一次点击、一个框或一句文本提示,就能把图像或视频中的任意物体抠出来,无需针对具体任务训练。
自注意力别名:缩放点积注意力
基础
一种注意力机制,其中序列关注自身——每个token计算其与同一序列中其他所有token的相关性。查询、键和值都来自同一输入。这让每个token能够收集来自所有其他token的信息,按相关性加权。自注意力是每个Transformer层的核心…
自我对弈别名:Self-Play、Self-Play Reinforcement Learning、自博弈
训练
一种训练方法,AI 通过与自己的副本对抗来提高水平,并自行生成难度不断提升的训练数据。
自监督学习别名:SSL
训练
一种模型从未标注数据中自行生成监督信号的训练方法。隐藏输入的一部分,训练模型预测被隐藏的部分。对于LLM:遮蔽下一个token并预测它。对于视觉模型:遮蔽图像块。
情感分析别名:意见挖掘
使用AI
自动判断文本的情感色彩——正面、负面或中性。“这个产品太棒了!”是正面的。“客服太差了”是负面的。除了简单的极性判断,高级情感分析还能检测具体情绪(愤怒、喜悦、沮丧)、方面级情感(“食物很好但服务很慢”),以及讽刺。
SFT别名:Supervised Fine-Tuning、监督微调
训练
用精心整理的输入示例和你希望模型给出的确切输出配对,对预训练模型进行微调。
SGLang别名:SGLang Runtime、SRT
工具
SGLang 是一个面向大型语言模型的开源服务引擎,目标是让推理在生产规模下跑得又快又省。它于 2024 年由出身 UC Berkeley 和 LMSYS 团队的研究者发布,其标志性思想是…
Sigmoid别名:逻辑函数、S形函数
基础
一个将任意实数压缩到(0, 1)范围的数学函数:σ(x) = 1 / (1 +…
SLM别名:Small Language Model、Small Language Models、小语言模型
基础
为效率而设计的语言模型,参数量通常约在 1 亿到 150 亿之间。SLM 小到可以在笔记本、手机或单张 GPU 等消费级硬件上运行,不需要数据中心集群;它用一部分知识广度和推理能力,换来低成本、低延迟,以及离线和端侧运行的能力。
AI 垃圾内容别名:AI Slop、生成式垃圾内容
安全
低质量、通用、不受欢迎的人工智能生成内容,充斥着互联网。该术语于2024年出现,用作对劣质人工智能文本、图像和视频泛滥成灾的贬义词,这些内容污染了搜索结果、社交媒体信息流和在线市场。Slop是人工智能内容的垃圾邮件等价物——从技术上讲是“…
Softmax别名:Softmax函数、归一化指数
基础
一种将原始数值向量(logits)转换为概率分布的函数——所有值变为正数且总和为1。Softmax放大值之间的差异:最大的输入获得最高概率,较小的输入获得指数级更小的概率。它出现在注意力机制、分类输出和token预测中。
Sora别名:OpenAI Sora
模型
Sora 是 OpenAI 的视频生成模型家族,可以根据文本提示词或静态图像创作短视频。它于 2024 年 2 月首次亮相,并在同年 12 月以 Sora Turbo 之名向订阅用户开放;模型把扩散过程与 Transformer…
Sovereign AI别名:Sovereign AI、主权 AI
基础设施
一种建设本国人工智能能力的国家战略——拥有自己的计算基础设施、模型和数据——使关键 AI 工作负载不依赖外国供应商。实践中,它意味着政府支持的 GPU 集群、本地训练或适配的基础模型,以及要求敏感数据留在国境内的规则。
稀疏注意力别名:局部注意力、滑动窗口注意力
模型
只处理 token 对的子集而非完整 N×N 注意力矩阵的注意力机制。滑动窗口注意力只关注附近的 token(在固定窗口内)。稀疏模式(如 Longformer 的局部+全局注意力组合)让特定 token 关注所有内容,而大多数…
稀疏自编码器别名:SAE
模型
一种神经网络,通过带有稀疏约束的瓶颈层来训练重建模型的内部激活——一次只有少数特征可以激活。学到的特征通常对应于可解释的概念(特定主题、语言模式、推理策略),使SAE成为解开大型语言模型中叠加特征的主要工具。
Speaker Diarization别名:说话人日志、谁在何时说话
使用AI
确定多说话人音频录音中谁在何时说话。给定一段会议录音,分离结果为“说话人A:0:00–0:15,说话人B:0:15–0:32,说话人A:0:32–0:45。”与语音识别结合,这产生带说话人标注的转录稿——这对会议纪要、访谈转录和呼叫中心分…
推测解码别名:辅助生成
基础设施
小型草稿模型生成候选token,大型模型一次性验证全部。猜对的token = 每步多个token。在输出质量完全相同的情况下实现2到3倍的加速。
语音识别别名:STT、语音转文字、ASR
使用
将口语音频转换为文本。现代语音识别使用深度学习模型(最著名的是OpenAI的Whisper),能以接近人类的准确率转录100+种语言的音频。该技术驱动语音助手、会议转录、字幕生成和无障碍工具。
状态空间模型别名:SSM、Mamba
模型
一种替代Transformers的模型,通过维护一个压缩的“状态”来处理序列,而不是对所有token使用注意力机制。Mamba是最著名的SSM架构。SSM的计算复杂度随序列长度线性扩展(而注意力机制是二次方扩展),这使得它们在处理非常长的…
Stability AI别名:Stable Diffusion、SDXL、Stable Audio
公司
通过在2022年将Stable Diffusion作为开源项目发布而推动图像生成技术大众化的公司。尽管经历了领导层动荡,他们的模型仍然是开源图像生成生态系统中的支柱。
Stable Diffusion别名:SD、SDXL、SD3
模型
最广泛使用的开源图像生成模型,由Stability AI与学术研究人员合作创建。Stable Diffusion使用潜在扩散从文本提示生成图像——在压缩的潜在空间而非像素空间中执行去噪过程,使其快到可以在消费级GPU上运行。SD…
阶跃星辰别名:Step 系列模型、多模态 AI
公司
中国AI初创公司正在构建具有竞争力的大型语言模型和多模态模型。他们的Step系列在国际基准测试中表现出色,得益于大量的计算资源投入。
安全
对大型语言模型的批评认为,它们仅仅是复杂的模式匹配器,通过拼接看似合理的文本而并不具备对意义的理解。这一术语由艾米丽·班德(Emily Bender)、蒂米特·格布鲁(Timnit…
流式传输别名:Server-Sent Events、SSE
使用AI
在生成过程中逐token发送输出,通过HTTP上的SSE(服务器发送事件)实现。这就是为什么文字在聊天界面中逐词出现。
结构化输出别名:JSON模式
使用AI
让AI以机器可解析的格式(JSON、XML、Schema)进行回复。大多数提供商已原生支持:定义一个schema,模型保证输出符合要求。
Style Transfer别名:神经风格迁移
使用AI
将一张图像的视觉风格(绘画、照片、设计)应用到另一张图像的内容上。“让这张照片看起来像梵高的画”就是风格迁移。神经风格迁移使用深度网络将内容(图像中有什么)与风格(它看起来怎样)分离,然后重新组合。
子智能体别名:Subagents、Sub-agents、Orchestrator-Workers
使用AI
由另一个智能体启动的智能体,在各自独立的上下文中处理任务的一部分,只返回一份浓缩的结果。
Suno别名:AI 音乐生成
公司
一家AI音乐生成公司,允许任何人通过文本提示创建完整的歌曲—人声、乐器、制作—。在数月内从默默无闻发展到拥有数百万用户,迫使音乐行业正视AI创造力的冲击。
Super Resolution别名:图像放大、图像增强、SR
使用AI
通过生成原图中不存在的合理细节来提高图像分辨率。一张256×256的照片变成清晰的1024×1024图像。AI超分辨率不只是插值像素(那会产生模糊)——它基于从高分辨率训练图像中学到的知识,生成逼真的纹理、边缘和精细细节。
叠加态别名:特征叠加、多义性
基础
神经网络编码的特征(概念、模式)数量远多于其神经元数量的现象,通过将特征表示为激活空间中的方向而非将单个神经元分配给单个特征来实现。一个神经元同时参与编码数十种特征,每个特征分布在许多神经元上。
训练
一种使用标注样本进行训练的方法——输入-输出配对,其中正确答案已经提供。模型调整其参数以最小化预测值与已知正确答案之间的差异。
SWE-bench别名:SWE-bench Verified
训练
一项基准测试,检验 AI 系统能否通过修改真实代码库来解决真实的 GitHub issue,直到项目的测试通过。
SwiGLU别名:门控线性单元、GLU变体
基础
现代Transformer前馈层中使用的门控激活函数。SwiGLU将SiLU/Swish激活与门控机制结合:SwiGLU(x) = (x · W1 · SiLU) ⊗ (x ·…
谄媚行为别名:AI 谄媚、过度迎合
安全
AI模型倾向于告诉用户他们想听的,而不是事实真相。谄媚型模型会同意错误的前提,验证错误的想法,即使最初是正确的,当被质疑时也会改变立场,并优先考虑被喜欢而非提供帮助。谄媚是RLHF训练的直接副作用——模型学会同意的回应会从人类评估者那里获…
合成数据别名:AI生成的训练数据
训练
由AI模型生成的训练数据。正在成为训练流程中的标准做法。
系统提示词别名:系统消息
使用AI
在对话开始时给予模型的特殊指令,用于设定其行为、性格和规则。与用户消息不同,系统提示应具有持久性和权威性—它定义了本次会话中模型的身份。“你是一个乐于助人的编码助手。始终使用TypeScript。”
T5别名:Text-to-Text Transfer Transformer、Flan-T5
模型
Google 的编码器-解码器模型,把所有语言任务都当作从一段文本到另一段文本的转换,至今仍广泛用作图像和视频生成模型的文本编码器。
使用AI
一个控制模型输出随机性或确定性的参数。温度值为0时,模型始终选择概率最高的下一个token(确定性,专注)。温度值为1+时,模型更倾向于选择概率较低的token(创造性,不可预测)。大多数API默认值约为0.7。
ESC