跳到主要內容
Zubnet AI › 學習 › Wiki

AI 維基 — 第 8 頁,共 10 頁

AI概念,由建造者解釋,而非教科書。沒有術語牆。沒有學術門檻。清晰、實用的定義。

454 術語 8 分類 2026-11-22 更新
💡
每日術語
提示快取
一種在多次 API 呼叫之間儲存和重複使用已處理的提示前綴的技術,避免冗餘計算。如果你每次請求都發送相同的系統提示和文件上下文(這很常見),提示快取只處理一次並在後續請求中重複使用快取的計算結果。這減少了延遲和成本。
→
本頁沒有符合篩選條件的術語。

第 351–400 個術語,共 454 個 · 第 8 頁,共 10 頁

篩選本頁

RoPE別名:Rotary Position Embedding、Rotary Positional Encoding、旋轉位置編碼
基礎
現代 LLM 編碼詞序的標準方式,按每個 token 的位置把查詢向量和鍵向量旋轉一個相應的角度。
Runway別名:Gen-1、Gen-2、Gen-3 Alpha
公司
先驅的AI影片生成公司。共同創建了最初的Stable Diffusion架構,之後轉向影片領域,其Gen系列模型確立了AI電影製作工具的最新技術水準。
公司
Safe Superintelligence(SSI)是一家 AI 研究公司,由 Ilya Sutskever、Daniel Gross 與 Daniel Levy 於 2024…
Safetensors別名:.safetensors
基礎設施
一種簡單、安全的模型權重儲存檔案格式,無法執行隱藏程式碼,載入速度也很快。
SambaNova別名:SN40L 晶片、超快速推論
公司
專門設計自訂晶片(RDUs)用於 AI 工作負載的人工智慧硬體公司。他們的 SambaNova Cloud 提供目前最快的推理速度,與 Groq 在「speed-first」方法上競爭。
取樣解碼策略、Top-p、Top-k
基礎
從模型預測的機率分布中選擇下一個要生成的 token 的過程。貪婪解碼總是選擇最可能的 token。隨機取樣根據機率比例選擇。溫度、top-p(核)和 top-k…
Sandbagging別名:Strategic Underperformance、策略性表現不佳、藏拙
安全
AI 系統或其開發者故意讓系統在評估中的表現低於它的真實能力。
Sarvam AI別名:Sarvam 模型、印度語言 AI
公司
印度的人工智慧公司正在開發特別針對印度語言多樣性進行最佳化的模型。他們的模型能夠流暢處理印地語、泰米爾語、泰盧固語、孟加拉語等其他印度語言,達到全球模型一直難以應對的流暢度。
公司
最大的 AI 資料標註公司,提供大多數主要 AI 模型所依賴的人工標註訓練資料。Scale AI 為自動駕駛、政府和 AI 公司標註影像、文本、影片和 3D 資料。他們還提供評估服務、RLHF 資料收集和微調用的資料整理。主要客戶包括…
Scaling Laws(縮放定律)別名:神經網路縮放定律、Chinchilla
基礎
冪律關係,顯示效能隨著模型大小、資料集大小和算力的增加而可預測地提升。你可以在花費數百萬之前估算效能。
密謀別名:Scheming、欺騙性對齊、AI 欺騙
安全
AI 暗中追求與開發者或使用者意願不同的目標,同時隱瞞自己正在這樣做。
Segment Anything別名:Segment Anything Model、分割一切
模型
Meta 推出的可提示分割模型系列,只需一次點擊、一個框或一句文字提示,就能把影像或影片中的任意物體分離出來,無需針對具體任務訓練。
自注意力別名:縮放點積注意力
基礎
一種注意力機制,其中序列會關注自身 — 每個 token 計算與同一序列中其他所有 token 的相關性。查詢、鍵和值都來自相同的輸入。這讓每個 token 能從所有其他 token 中收集資訊,並按相關性加權。自注意力是每個…
自我對弈別名:Self-Play、Self-Play Reinforcement Learning、自博弈
訓練
一種訓練方法,AI 透過與自己的副本對抗來提高水準,並自行生成難度不斷提升的訓練資料。
一種模型從未標記資料中自行生成監督訊號的訓練方法。隱藏輸入的一部分,訓練模型預測被隱藏的部分。對 LLM 來說:遮蔽下一個詞元並預測它。對視覺來說:遮蔽影像的區塊。
Sentiment Analysis別名:意見探勘
使用AI
自動判斷文字的情感基調——正面、負面或中性。「這個產品太棒了!」是正面。「糟糕的客戶服務」是負面。除了簡單的極性判斷之外,進階情感分析可以偵測特定情緒(憤怒、喜悅、沮喪)、面向層級情感(「食物很好吃但服務很慢」),以及反諷。
SFT別名:Supervised Fine-Tuning、監督式微調
訓練
用精心整理的輸入範例和你希望模型給出的確切輸出配對,對預訓練模型進行微調。
SGLang別名:SGLang Runtime、SRT
工具
SGLang 是一款為大型語言模型打造的開放原始碼服務引擎,目標是讓推論在大規模正式環境中既快速又節省成本。它於 2024 年由出身 UC Berkeley 與 LMSYS 團隊的研究人員發布,其標誌性概念是…
Sigmoid別名:邏輯函數、S 型函數
基礎
一個數學函數,將任何實數壓縮到 (0, 1) 的範圍:σ(x) = 1 / (1 + e^(−x))。歷史上是神經網路的預設激活函數,現在在隱藏層中已大部分被 ReLU 和 GELU 取代,但仍用於二元分類輸出、門控機制(如 LSTM…
SLM別名:Small Language Model、Small Language Models、小語言模型
基礎
一種以效率為設計目標的語言模型,通常具有約 1 億至 150 億個參數。SLM 規模小到足以在筆記型電腦、手機或單張 GPU…
AI 垃圾內容別名:AI Slop、生成式垃圾內容
安全
低品質、泛泛而談、不想要的AI生成內容,充斥於網際網路。這個詞語在2024年出現,作為對劣質AI文字、圖片和影片浪潮的貶義詞,這些內容污染了搜尋結果、社群媒體動態和線上市場。Slop是AI版本的垃圾郵件——技術上被稱為「內容」,卻毫無價值…
Softmax別名:Softmax 函數、正規化指數
基礎
一個將原始數值向量(logits)轉換為機率分布的函數——所有值變為正值且總和為 1。Softmax 放大值之間的差異:最大的輸入獲得最高機率,較小的輸入獲得指數級更小的機率。它出現在注意力機制、分類輸出和 token 預測中。
Sora別名:OpenAI Sora
模型
Sora 是 OpenAI 的影片生成模型家族,可根據文字提示或靜態圖像創作短影片。它於 2024 年 2 月首次亮相,並在同年 12 月以 Sora Turbo 之名向訂閱使用者開放;模型將擴散過程與 Transformer…
Sovereign AI別名:Sovereign AI、主權 AI
基礎設施
一項建立國內人工智慧能力的國家策略——包括本國的運算基礎設施、模型與資料——使關鍵 AI 工作負載不必依賴外國供應商。實務上,這代表由政府支援的 GPU 叢集、在地訓練或調整的基礎模型,以及要求敏感資料留在國境內的規定。
稀疏注意力局部注意力、滑動窗口注意力
模型
只處理 token 配對子集而非完整 N×N 注意力矩陣的注意力機制。滑動窗口注意力只關注附近的 token(在固定窗口內)。稀疏模式(如 Longformer 的局部+全域注意力組合)讓特定 token 關注所有內容,而大多數…
稀疏自編碼器別名:SAE
模型
一個經過訓練的神經網路,透過帶有稀疏性約束的瓶頸來重建模型的內部激活 — 一次只有少數特徵可以啟動。學習到的特徵通常對應於可解釋的概念(特定主題、語言模式、推理策略),使 SAE 成為解開大型語言模型內部疊加特徵的主要工具。
說話者分離別名:誰在何時說話
使用AI
在多人音訊錄音中判斷誰在何時說話。給定一段會議錄音,分離結果為「說話者 A:0:00–0:15,說話者 B:0:15–0:32,說話者…
基礎設施
小型草稿模型生成候選詞元,大型模型一次性驗證所有候選。猜對的 = 每步多個詞元。速度提升 2–3 倍,輸出品質完全相同。
語音辨識別名:STT、語音轉文字、ASR
使用AI
將口語音訊轉換為文字。現代語音辨識使用深度學習模型(最著名的是 OpenAI 的 Whisper),能以接近人類的準確度轉錄 100 多種語言的音訊。該技術為語音助手、會議轉錄、字幕生成和無障礙工具提供支援。
狀態空間模型別名:SSM、Mamba
模型
Transformers 的替代方案,透過維持壓縮的「狀態」來處理序列,而非對所有 token 使用注意力機制。Mamba 是最著名的 SSM 架構。SSMs…
Stability AI別名:Stable Diffusion、SDXL、Stable Audio
公司
在2022年將Stable Diffusion作為開放原始碼釋出,從而普及影像生成技術的公司。儘管經歷領導層波動,其模型仍是開放原始碼影像生成生態系統的核心。
Stable Diffusion別名:SD、SDXL、SD3
模型
最廣泛使用的開源影像生成模型,由 Stability AI 與學術研究人員合作建立。Stable Diffusion 使用潛在擴散從文字提示生成影像——在壓縮的潛在空間而非像素空間中執行去噪過程,使其能在消費級 GPU 上快速運行。SD…
階躍星辰別名:Step 系列模型、多模態 AI
公司
中國AI新創公司正在開發具競爭力的大型語言和多模態模型。其Step系列在國際基準測試中表現出色—並依靠大量的計算資源投入支持。
安全
對大型語言模型的批評指出,它們僅僅是高階的模式匹配器,僅能拼接出看似合理但缺乏真正理解的文本。這個術語由艾米莉·班德(Emily Bender)、蒂米妮特·格布魯(Timnit Gebru)及其同事在其具有影響力的2021年論文《On…
Streaming(串流)別名:伺服器推送事件、SSE
使用AI
在生成時逐詞元發送輸出,透過 HTTP 上的 SSE(Server-Sent Events)。這就是為什麼文字在聊天介面中是逐字出現的。
使用AI
讓 AI 以機器可解析的格式(JSON、XML、schema)回應。大多數供應商都原生支援:定義一個 schema,模型保證符合。
風格轉換別名:神經風格轉換
使用AI
將一張圖片的視覺風格(繪畫、照片、設計)應用到另一張圖片的內容上。「讓這張照片看起來像梵谷的畫」就是風格轉換。神經風格轉換利用深度網路將內容(圖片中的物體)與風格(圖片的外觀)分離,然後重新組合。
子代理別名:Subagents、Sub-agents、Orchestrator-Workers
使用AI
由另一個代理啟動的代理,在各自獨立的上下文中處理任務的一部分,只回傳一份濃縮的結果。
Suno別名:AI 音樂生成
公司
讓任何人都能透過文字提示創作完整的歌曲——人聲、樂器、製作——的AI音樂生成公司。數個月內從無人知曉成長至數百萬使用者,迫使音樂產業正面應對AI創造力的挑戰。
超解析度別名:升頻、影像增強、SR
使用AI
透過生成原始圖像中不存在的合理細節來提高圖像解析度。一張 256×256 的照片變成清晰的 1024×1024 圖像。AI…
疊加別名:特徵疊加、多義性
基礎
神經網路通過將特徵表示為啟動空間中的方向而非為每個特徵指定單一神經元,來編碼遠多於神經元數量的特徵(概念、模式)的現象。單一神經元同時參與編碼數十個特徵,每個特徵則分布在許多神經元中。
一種使用標記範例進行訓練的方法 — 即提供正確答案的輸入-輸出配對。模型調整其參數,以最小化其預測與已知正確答案之間的差異。
SWE-bench別名:SWE-bench Verified
訓練
一項基準測試,檢驗 AI 系統能否透過修改真實程式碼庫來解決真實的 GitHub issue,直到專案的測試通過。
SwiGLU別名:門控線性單元、GLU 變體
基礎
現代 Transformer 前饋層中使用的門控激活函數。SwiGLU 將 SiLU/Swish 激活與門控機制結合:SwiGLU(x) = (x · W1 · SiLU) ⊗ (x · W3),其中 ⊗…
諂媚行為別名:AI 諂媚、過度迎合
安全
AI模型傾向於告訴使用者他們想聽的,而不是事實。阿諛模型會同意錯誤的前提,驗證壞主意,即使最初正確,當受到質疑時也會改變立場,並優先考慮被喜愛而非提供幫助。阿諛是RLHF訓練的直接副作用—模型學到討喜的回應會獲得人類評估者的更高評分,因此…
Synthetic Data(合成資料)別名:AI 生成的訓練資料
訓練
由 AI 模型生成的訓練資料。已成為訓練管線中的標準做法。
系統提示詞別名:系統訊息
使用AI
在對話開始時給予模型的一個特殊指示,用以設定其行為、性格和規則。與使用者訊息不同,系統提示語應具備持久性和權威性 — 它定義了此會話中模型的身分。「你是一個有助益的程式編寫助手。請始終使用 TypeScript。」
T5別名:Text-to-Text Transfer Transformer、Flan-T5
模型
Google 的編碼器-解碼器模型,把所有語言任務都當作從一段文字到另一段文字的轉換,至今仍廣泛用作影像和影片生成模型的文字編碼器。
使用AI
一個控制模型輸出隨機性或確定性的參數。溫度值為 0 時,模型會始終選擇機率最高的下一個 token(確定性、專注)。溫度值為 1+ 時,模型會更願意選擇機率較低的 token(創造性、不可預測)。大多數 API 的預設值約為 0.7。
ESC