<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Google on 中文AI术语词典</title><link>https://terms-en.ai-term-hub.com/zh/tags/google/</link><description>Recent content in Google on 中文AI术语词典</description><generator>Hugo</generator><language>zh-cn</language><lastBuildDate>Sat, 18 Jul 2026 11:44:45 +0000</lastBuildDate><atom:link href="https://terms-en.ai-term-hub.com/zh/tags/google/index.xml" rel="self" type="application/rss+xml"/><item><title>Gemma</title><link>https://terms-en.ai-term-hub.com/zh/terms/gemma/</link><pubDate>Sat, 18 Jul 2026 11:18:16 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/gemma/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>Gemma 模型旨在为研究人员和开发者提供高效且易于访问的体验。它们提供多种尺寸，包括 2B 和 7B 参数版本，允许在各种硬件上进行部署。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>Gemma 是由 Google DeepMind 基于 Gemini 的研究和技术构建的一系列轻量级、最先进的开源模型。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>开放权重&lt;/li>
&lt;li>Transformer 架构&lt;/li>
&lt;li>高效推理&lt;/li>
&lt;li>Google DeepMind&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>本地大语言模型部署&lt;/li>
&lt;li>研究原型开发&lt;/li>
&lt;li>边缘计算应用&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/llm-%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">LLM (大语言模型)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/gemini-%E5%8F%8C%E5%AD%90%E5%BA%A7/">Gemini (双子座)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/open-source-ai-%E5%BC%80%E6%BA%90%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD/">Open Source AI (开源人工智能)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/transformer-%E5%8F%98%E6%8D%A2%E5%99%A8/">Transformer (变换器)&lt;/a>&lt;/li>
&lt;/ul></description></item><item><title>数据集:Natural Questions</title><link>https://terms-en.ai-term-hub.com/zh/terms/datasetnatural_questions/</link><pubDate>Sat, 18 Jul 2026 11:13:13 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/datasetnatural_questions/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>Natural Questions (NQ) 是由 Google 推出的基准数据集，旨在推动开放域问答研究的发展。它将 Google 的真实匿名搜索查询映射到长篇幅的答案上。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>一个用于开放域问答的大规模数据集，包含来自 Google 搜索的真实用户查询，并配以标注好的维基百科段落作为答案。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>开放域问答&lt;/li>
&lt;li>维基百科&lt;/li>
&lt;li>Google 搜索&lt;/li>
&lt;li>长篇幅答案&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>构建基于知识的问答系统&lt;/li>
&lt;li>检索增强生成（RAG）的训练&lt;/li>
&lt;li>评估事实准确性&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/squad/">SQuAD&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/dpr/">DPR&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/%E7%9F%A5%E8%AF%86%E6%A3%80%E7%B4%A2-knowledge-retrieval/">知识检索 (Knowledge Retrieval)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/%E4%BA%8B%E5%AE%9E%E9%AA%8C%E8%AF%81-fact-verification/">事实验证 (Fact Verification)&lt;/a>&lt;/li>
&lt;/ul></description></item><item><title>数据集：Gooaq</title><link>https://terms-en.ai-term-hub.com/zh/terms/datasetgooaq/</link><pubDate>Sat, 18 Jul 2026 11:13:01 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/datasetgooaq/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>GooAQ 是从 Google Answers 服务编译而成的数据集，拥有海量用户提交的问题以及详细的付费回答。它是训练&amp;hellip;的宝贵资源&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>一个包含 Google Answers 查询和响应的大规模数据集，用于训练信息检索和问答模型。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>开放域问答&lt;/li>
&lt;li>信息检索&lt;/li>
&lt;li>Google Answers&lt;/li>
&lt;li>大规模数据集&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>构建问答系统&lt;/li>
&lt;li>检索增强生成 (RAG)&lt;/li>
&lt;li>语义搜索评估&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/trec-qa-trec%E9%97%AE%E7%AD%94%E4%BB%BB%E5%8A%A1/">TREC QA (TREC问答任务)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/natural-questions-%E8%87%AA%E7%84%B6%E9%97%AE%E9%A2%98%E6%95%B0%E6%8D%AE%E9%9B%86/">Natural Questions (自然问题数据集)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/retrieval-models-%E6%A3%80%E7%B4%A2%E6%A8%A1%E5%9E%8B/">Retrieval Models (检索模型)&lt;/a>&lt;/li>
&lt;/ul></description></item><item><title>BERT</title><link>https://terms-en.ai-term-hub.com/zh/terms/bert/</link><pubDate>Sat, 18 Jul 2026 11:09:15 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/bert/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>BERT（Bidirectional Encoder Representations from Transformers）是由Google开发的一种基于Transformer的机器学习技术，用于自然语言处理（NLP）的预训练。它利用掩码语言建模和下一句预测来学习双向表示。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>基于Transformer的双向编码器表示是一种预训练的自然语言处理模型。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>Transformer架构&lt;/li>
&lt;li>掩码语言建模&lt;/li>
&lt;li>预训练&lt;/li>
&lt;li>微调&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>问答系统&lt;/li>
&lt;li>情感分析&lt;/li>
&lt;li>文本分类&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/gpt-%E7%94%9F%E6%88%90%E5%BC%8F%E9%A2%84%E8%AE%AD%E7%BB%83%E5%8F%98%E6%8D%A2%E5%99%A8/">GPT (生成式预训练变换器)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/transformer-%E5%8F%98%E6%8D%A2%E5%99%A8%E6%9E%B6%E6%9E%84/">Transformer (变换器架构)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/nlp-%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86/">NLP (自然语言处理)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/embeddings-%E8%AF%8D%E5%B5%8C%E5%85%A5/">Embeddings (词嵌入)&lt;/a>&lt;/li>
&lt;/ul></description></item></channel></rss>