https://terms-en.ai-term-hub.com/zh/tags/llm/Recent content in LLM on 中文AI术语词典Hugozh-cnSat, 18 Jul 2026 11:44:45 +0000https://terms-en.ai-term-hub.com/zh/terms/unsloth/Sat, 18 Jul 2026 11:37:39 +0000https://terms-en.ai-term-hub.com/zh/terms/unsloth/<h2 id="definition">Definition</h2> <p>Unsloth 是一款专为优化大语言模型（LLM）的微调和部署而设计的工具。它通过替换标准的 PyTorch 操作，实现了显著的速度提升和内存占用减少。</p> <h3 id="summary">Summary</h3> <p>Unsloth 是一个开源库，通过优化的内存管理和内核实现，将大语言模型（LLM）的训练和推理速度提升高达 2 倍。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>内存优化</li> <li>自定义内核</li> <li>LLM 微调</li> <li>加速推理</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>在有限的 GPU 资源下微调 LLM</li> <li>加速推理流水线</li> <li>降低训练时的云计算成本</li> </ul> <h2 id="code-example">Code Example</h2> <div class="highlight"><pre tabindex="0" style="color:#f8f8f2;background-color:#272822;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python"><span style="display:flex;"><span><span style="color:#f92672">from</span> unsloth <span style="color:#f92672">import</span> FastLanguageModel </span></span><span style="display:flex;"><span>model, tokenizer <span style="color:#f92672">=</span> FastLanguageModel<span style="color:#f92672">.</span>from_pretrained( </span></span><span style="display:flex;"><span> model_name<span style="color:#f92672">=</span><span style="color:#e6db74">&#34;unsloth/Llama-2-7b-bnb-4bit&#34;</span>, </span></span><span style="display:flex;"><span> max_seq_length<span style="color:#f92672">=</span><span style="color:#ae81ff">2048</span>, </span></span><span style="display:flex;"><span> dtype<span style="color:#f92672">=</span><span style="color:#66d9ef">None</span>, </span></span><span style="display:flex;"><span> load_in_4bit<span style="color:#f92672">=</span><span style="color:#66d9ef">True</span> </span></span><span style="display:flex;"><span>) </span></span></code></pre></div><h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/lora-%E4%BD%8E%E7%A7%A9%E9%80%82%E5%BA%94/">LoRA (低秩适应)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/pytorch-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%A1%86%E6%9E%B6/">PyTorch (深度学习框架)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/hugging-face-%E6%A8%A1%E5%9E%8B%E7%A4%BE%E5%8C%BA%E5%B9%B3%E5%8F%B0/">Hugging Face (模型社区平台)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/flash-attention-%E9%AB%98%E6%95%88%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6/">Flash Attention (高效注意力机制)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/token_maxxing/Sat, 18 Jul 2026 11:37:02 +0000https://terms-en.ai-term-hub.com/zh/terms/token_maxxing/<h2 id="definition">Definition</h2> <p>Token最大化涉及精心构造输入内容，以充分利用模型的上下文窗口容量，或通过优化Token的语义密度来提升性能。实践者可能会填充无关文本以占满上下文空间（Padding），或者极度压缩信息以提高单位Token的信息量。这种策略常用于在有限的计算资源下获取更精确的回答，或在API调用成本受限的情况下最大化单次请求的输出价值。</p> <h3 id="summary">Summary</h3> <p>一种提示工程优化策略，旨在大型语言模型中最大化特定Token数量的效用或输出质量。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>提示工程</li> <li>上下文窗口</li> <li>语义密度</li> <li>优化</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>最大化LLM推理能力</li> <li>降低API使用成本</li> <li>测试模型边界</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E4%B8%8A%E4%B8%8B%E6%96%87%E9%95%BF%E5%BA%A6-context-length/">上下文长度 (Context Length)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%8F%90%E7%A4%BA%E6%B3%A8%E5%85%A5-prompt-injection/">提示注入 (Prompt Injection)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%88%86%E8%AF%8D-tokenization/">分词 (Tokenization)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%95%88%E7%8E%87%E8%B0%83%E4%BC%98-efficiency-tuning/">效率调优 (Efficiency Tuning)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/self_consistency/Sat, 18 Jul 2026 11:32:54 +0000https://terms-en.ai-term-hub.com/zh/terms/self_consistency/<h2 id="definition">Definition</h2> <p>该技术主要用于大型语言模型（LLM），通过采样生成针对同一提示的多个多样化响应来提高准确性。与依赖贪婪解码不同，它聚合</p> <h3 id="summary">Summary</h3> <p>自洽性是一种解码策略，其中采样多个推理路径，并选择出现频率最高的答案作为最终输出。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>多数投票</li> <li>解码策略</li> <li>LLM推理</li> <li>减少幻觉</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>数学应用题</li> <li>复杂逻辑推导</li> <li>代码合成任务</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%80%9D%E7%BB%B4%E9%93%BE-chain-of-thought-%E5%BC%95%E5%AF%BC%E6%A8%A1%E5%9E%8B%E9%80%90%E6%AD%A5%E6%8E%A8%E7%90%86%E7%9A%84%E6%8A%80%E6%9C%AF/">思维链 (Chain-of-thought，引导模型逐步推理的技术)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%B8%A9%E5%BA%A6%E9%87%87%E6%A0%B7-temperature-sampling-%E6%8E%A7%E5%88%B6%E7%94%9F%E6%88%90%E6%96%87%E6%9C%AC%E9%9A%8F%E6%9C%BA%E6%80%A7%E7%9A%84%E5%8F%82%E6%95%B0/">温度采样 (Temperature sampling，控制生成文本随机性的参数)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E9%9B%86%E6%88%90%E6%96%B9%E6%B3%95-ensemble-methods-%E7%BB%93%E5%90%88%E5%A4%9A%E4%B8%AA%E6%A8%A1%E5%9E%8B%E9%A2%84%E6%B5%8B%E4%BB%A5%E6%8F%90%E9%AB%98%E5%87%86%E7%A1%AE%E6%80%A7%E7%9A%84%E6%8A%80%E6%9C%AF/">集成方法 (Ensemble methods，结合多个模型预测以提高准确性的技术)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%8F%90%E7%A4%BA%E5%B7%A5%E7%A8%8B-prompt-engineering-%E8%AE%BE%E8%AE%A1%E5%92%8C%E4%BC%98%E5%8C%96%E8%BE%93%E5%85%A5%E6%8F%90%E7%A4%BA%E4%BB%A5%E6%94%B9%E5%96%84%E6%A8%A1%E5%9E%8B%E8%BE%93%E5%87%BA%E7%9A%84%E6%8A%80%E6%9C%AF/">提示工程 (Prompt engineering，设计和优化输入提示以改善模型输出的技术)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/reflection/Sat, 18 Jul 2026 11:32:02 +0000https://terms-en.ai-term-hub.com/zh/terms/reflection/<h2 id="definition">Definition</h2> <p>在人工智能中，反思是一种范式，模型在最终确定输出之前会暂停并评估其生成过程或输出结果。这可能涉及检查逻辑一致性、事实准确性或遵循特定约束。</p> <h3 id="summary">Summary</h3> <p>一种机制，允许AI模型分析其自身的输出、推理过程或内部状态，以改善未来的表现。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>自我修正</li> <li>思维链</li> <li>批评模型</li> <li>元认知</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>代码生成与调试</li> <li>复杂逻辑推理任务</li> <li>内容审核与安全过滤</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/chain-of-thought-%E6%80%9D%E7%BB%B4%E9%93%BE/">Chain-of-thought (思维链)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/self-consistency-%E8%87%AA%E6%B4%BD%E6%80%A7/">Self-consistency (自洽性)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/reinforcement-learning-from-human-feedback-%E5%9F%BA%E4%BA%8E%E4%BA%BA%E7%B1%BB%E5%8F%8D%E9%A6%88%E7%9A%84%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0/">Reinforcement Learning from Human Feedback (基于人类反馈的强化学习)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/prompt-engineering-%E6%8F%90%E7%A4%BA%E5%B7%A5%E7%A8%8B/">Prompt engineering (提示工程)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/reasoning_model/Sat, 18 Jul 2026 11:31:50 +0000https://terms-en.ai-term-hub.com/zh/terms/reasoning_model/<h2 id="definition">Definition</h2> <p>与专注于流畅性的标准生成模型不同，推理模型优先考虑数学、编码和逻辑谜题等多步骤任务的准确性。它们通常采用思维链 (Chain-of-Thought) 等技术来增强逻辑推理能力。</p> <h3 id="summary">Summary</h3> <p>专门优化用于执行复杂逻辑演绎、逐步问题解决和思维链处理的 AI 模型。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>思维链 (Chain-of-Thought)</li> <li>逻辑演绎</li> <li>逐步推理</li> <li>复杂问题解决</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>数学证明生成</li> <li>复杂代码调试</li> <li>战略规划辅助</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%80%9D%E7%BB%B4%E9%93%BE-chain-of-thought/">思维链 (Chain-of-Thought)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E7%B3%BB%E7%BB%9F-2-%E6%80%9D%E7%BB%B4-system-2-thinking/">系统 2 思维 (System 2 thinking)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E9%80%BB%E8%BE%91%E7%BC%96%E7%A8%8B-logic-programming/">逻辑编程 (Logic programming)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/cot-%E6%8F%90%E7%A4%BA-cot-prompting/">CoT 提示 (CoT prompting)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/pythia/Sat, 18 Jul 2026 11:31:05 +0000https://terms-en.ai-term-hub.com/zh/terms/pythia/<h2 id="definition">Definition</h2> <p>Pythia 是由 EleutherAI 创建的一系列开源大型语言模型（LLM），旨在促进对神经网络可解释性和行为的研究。该套件包括模</p> <h3 id="summary">Summary</h3> <p>Pythia 是由 EleutherAI 开发的一系列仅解码器架构的大型语言模型，参数量从 7000 万到 120 亿不等。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>大型语言模型</li> <li>可解释性研究</li> <li>GPT 架构</li> <li>开源人工智能</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>研究 LLM 的缩放行为</li> <li>研究模型可解释性</li> <li>自然语言处理的教学用途</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/eleutherai/">EleutherAI</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/gpt-2/">GPT-2</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/the-pile-%E6%95%B0%E6%8D%AE%E9%9B%86-the-pile-dataset/">The Pile 数据集 (The Pile Dataset)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transformer-%E6%A8%A1%E5%9E%8B-transformer-models/">Transformer 模型 (Transformer Models)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/prompt_tuning/Sat, 18 Jul 2026 11:30:52 +0000https://terms-en.ai-term-hub.com/zh/terms/prompt_tuning/<h2 id="definition">Definition</h2> <p>提示微调涉及在预训练语言模型的输入层添加可训练的软提示（连续向量），同时保持底层模型参数冻结。这种方法允许在几乎不增加计算成本的情况下，使模型适应特定任务或领域，特别适用于资源受限的场景。</p> <h3 id="summary">Summary</h3> <p>一种参数高效的微调方法，通过优化连续的输入嵌入（embeddings）而非更新整个模型权重来调整模型。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>软提示 (Soft Prompts)</li> <li>参数效率</li> <li>冻结权重</li> <li>少样本学习 (Few-shot Learning)</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>针对特定领域适配大语言模型</li> <li>低资源环境下的微调</li> <li>多任务学习优化</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/peft-parameter-efficient-fine-tuning-%E5%8F%82%E6%95%B0%E9%AB%98%E6%95%88%E5%BE%AE%E8%B0%83/">PEFT (Parameter-Efficient Fine-Tuning, 参数高效微调)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/lora-low-rank-adaptation-%E4%BD%8E%E7%A7%A9%E8%87%AA%E9%80%82%E5%BA%94/">LoRA (Low-Rank Adaptation, 低秩自适应)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E4%B8%8A%E4%B8%8B%E6%96%87%E5%AD%A6%E4%B9%A0-in-context-learning/">上下文学习 (In-context Learning)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%BE%AE%E8%B0%83-fine-tuning/">微调 (Fine-tuning)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/phi/Sat, 18 Jul 2026 11:29:53 +0000https://terms-en.ai-term-hub.com/zh/terms/phi/<h2 id="definition">Definition</h2> <p>Phi（基于教学学习范式的基座模型）是微软创建的一系列紧凑型大型语言模型家族。与传统在海量网络语料上训练的LLM不同，Phi主要通过合成数据进行训练，旨在以更小的参数量实现更高的知识密度和逻辑推理能力。</p> <h3 id="summary">Summary</h3> <p>由微软研究院开发的一系列小型但高效的大型语言模型，侧重于知识密度和推理能力。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>小型语言模型</li> <li>合成数据</li> <li>推理能力</li> <li>知识密度</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>边缘设备AI部署</li> <li>复杂逻辑推理任务</li> <li>高性价比API服务</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/large_language_model-%E5%A4%A7%E5%9E%8B%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">large_language_model (大型语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/microsoft_research-%E5%BE%AE%E8%BD%AF%E7%A0%94%E7%A9%B6%E9%99%A2/">microsoft_research (微软研究院)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/synthetic_data_generation-%E5%90%88%E6%88%90%E6%95%B0%E6%8D%AE%E7%94%9F%E6%88%90/">synthetic_data_generation (合成数据生成)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/neural_scaling_law/Sat, 18 Jul 2026 11:28:12 +0000https://terms-en.ai-term-hub.com/zh/terms/neural_scaling_law/<h2 id="definition">Definition</h2> <p>神经缩放定律描述了模型性能与其规模（包括数据集大小、参数量和计算预算）之间的可预测的幂律关系。这些定律表明，随着规模的扩大，模型性能会按特定规律提升。</p> <h3 id="summary">Summary</h3> <p>基于数据、参数或计算量增加来预测模型性能提升的经验关系。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>幂律关系</li> <li>参数缩放</li> <li>数据效率</li> <li>计算最优训练</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>大语言模型的资源规划</li> <li>模型架构选择</li> <li>性能预测</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/chinchilla-optimization-chinchilla%E4%BC%98%E5%8C%96/">Chinchilla optimization (Chinchilla优化)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/loss-scaling-%E6%8D%9F%E5%A4%B1%E7%BC%A9%E6%94%BE/">Loss scaling (损失缩放)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/emergent-abilities-%E6%B6%8C%E7%8E%B0%E8%83%BD%E5%8A%9B/">Emergent abilities (涌现能力)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/compute-budget-%E8%AE%A1%E7%AE%97%E9%A2%84%E7%AE%97/">Compute budget (计算预算)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/mistral/Sat, 18 Jul 2026 11:26:13 +0000https://terms-en.ai-term-hub.com/zh/terms/mistral/<h2 id="definition">Definition</h2> <p>Mistral指的是由法国初创公司Mistral AI创建的强大开源权重LLM系列。像Mistral 7B和Mistral Large这样的模型利用了先进的滑动窗口注意力机制等技术</p> <h3 id="summary">Summary</h3> <p>由Mistral AI开发的一系列高效开源权重大型语言模型，以高性能和低计算成本著称。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>开源权重</li> <li>滑动窗口注意力</li> <li>效率</li> <li>Mistral AI</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>本地LLM部署</li> <li>特定领域的微调</li> <li>成本高效的推理</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/mixtral-%E6%B7%B7%E5%90%88%E4%B8%93%E5%AE%B6%E6%A8%A1%E5%9E%8B%E7%B3%BB%E5%88%97/">Mixtral (混合专家模型系列)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llama-%E5%A4%A7%E5%9E%8B%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E6%9E%B6%E6%9E%84/">LLaMA (大型语言模型架构)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transformer-%E8%BD%AC%E6%8D%A2%E5%99%A8%E6%9E%B6%E6%9E%84/">Transformer (转换器架构)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/open-source-%E5%BC%80%E6%BA%90/">Open Source (开源)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/misinformation/Sat, 18 Jul 2026 11:26:13 +0000https://terms-en.ai-term-hub.com/zh/terms/misinformation/<h2 id="definition">Definition</h2> <p>虚假信息是指在没有故意造成伤害或欺骗意图的情况下分享的错误或误导性信息。它与蓄意捏造的“恶意谣言”（disinformation）不同。在人工智能语境下</p> <h3 id="summary">Summary</h3> <p>无论是否有欺骗意图，都被传播的虚假或不准确信息。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>谬误</li> <li>缺乏意图</li> <li>AI幻觉</li> <li>事实核查</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>内容审核系统</li> <li>事实核查机器人</li> <li>媒介素养教育</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/disinformation-%E6%81%B6%E6%84%8F%E8%B0%A3%E8%A8%80-%E8%99%9A%E5%81%87%E4%BF%A1%E6%81%AF/">disinformation (恶意谣言/虚假信息)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/hallucination-%E5%B9%BB%E8%A7%89/">hallucination (幻觉)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/bias-%E5%81%8F%E8%A7%81/">bias (偏见)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/truthfulness-%E7%9C%9F%E5%AE%9E%E6%80%A7/">truthfulness (真实性)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/llama_2/Sat, 18 Jul 2026 11:24:33 +0000https://terms-en.ai-term-hub.com/zh/terms/llama_2/<h2 id="definition">Definition</h2> <p>Llama 2 由 Meta AI 于 2023 年 7 月发布，代表了开源权重大型语言模型的显著进化。它提供了从 70 亿到 700 亿参数的预训练和微调变体，</p> <h3 id="summary">Summary</h3> <p>Llama 2 是 Meta 于 2023 年 7 月发布的一系列大型语言模型，与 predecessors 相比，其架构经过优化且上下文窗口更大。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>开放权重模型</li> <li>Transformer 架构</li> <li>上下文窗口</li> <li>微调</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>研究原型开发</li> <li>定制聊天机器人开发</li> <li>代码生成任务</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llama-llama-%E7%9A%84%E5%89%8D%E8%BA%AB/">LLaMA (Llama 的前身)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/meta-ai-meta-%E7%9A%84%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E9%83%A8%E9%97%A8/">Meta AI (Meta 的人工智能部门)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%BC%80%E6%BA%90-llms-%E5%BC%80%E6%BA%90%E5%A4%A7%E5%9E%8B%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">开源 LLMs (开源大型语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/hugging-face-%E6%A8%A1%E5%9E%8B%E6%89%98%E7%AE%A1%E5%B9%B3%E5%8F%B0/">Hugging Face (模型托管平台)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/llama_3/Sat, 18 Jul 2026 11:24:33 +0000https://terms-en.ai-term-hub.com/zh/terms/llama_3/<h2 id="definition">Definition</h2> <p>Llama 3 于 2024 年 4 月推出，建立在 Llama 2 的成功之上，在性能和能力方面有了实质性提升。该模型系列包括 80 亿和 700 亿参数的版本，</p> <h3 id="summary">Summary</h3> <p>Llama 3 是 Meta 于 2024 年发布的先进大型语言模型，在 80 亿和 700 亿参数规模上提供了显著增强的推理、编码和多语言能力。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>指令微调</li> <li>多语言支持</li> <li>安全对齐</li> <li>参数扩展</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>企业知识检索</li> <li>复杂推理任务</li> <li>多语言客户服务</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llama-2-%E5%89%8D%E4%BB%A3%E6%A8%A1%E5%9E%8B/">Llama 2 (前代模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/meta-ai-%E5%BC%80%E5%8F%91%E8%80%85/">Meta AI (开发者)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/rag-%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90/">RAG (检索增强生成)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A8%A1%E5%9E%8B%E9%87%8F%E5%8C%96-%E9%99%8D%E4%BD%8E%E6%A8%A1%E5%9E%8B%E8%B5%84%E6%BA%90%E5%8D%A0%E7%94%A8%E7%9A%84%E6%8A%80%E6%9C%AF/">模型量化 (降低模型资源占用的技术)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/llama31/Sat, 18 Jul 2026 11:24:33 +0000https://terms-en.ai-term-hub.com/zh/terms/llama31/<h2 id="definition">Definition</h2> <p>Llama 3.1 于 2024 年 8 月发布，将 Llama 家族扩展至包含一个庞大的 4050 亿参数模型以及较小的 80 亿和 700 亿变体。其突出特点是扩展的上下文窗口，</p> <h3 id="summary">Summary</h3> <p>Llama 3.1 是 Meta 于 2024 年 8 月推出的更新版本，包含 80 亿、700 亿和 4050 亿参数的模型，拥有扩展至 128k 的上下文窗口和本机工具使用能力。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>长上下文窗口</li> <li>函数调用</li> <li>工具使用</li> <li>4050 亿参数</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>长文档分析</li> <li>API 集成智能体</li> <li>高级代码合成</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llama-3-%E5%9F%BA%E7%A1%80%E7%89%88%E6%9C%AC/">Llama 3 (基础版本)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/function-calling-%E5%87%BD%E6%95%B0%E8%B0%83%E7%94%A8/">Function Calling (函数调用)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/langchain-llm-%E5%BA%94%E7%94%A8%E5%BC%80%E5%8F%91%E6%A1%86%E6%9E%B6/">LangChain (LLM 应用开发框架)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/ai-agents-%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E6%99%BA%E8%83%BD%E4%BD%93/">AI Agents (人工智能智能体)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/llama/Sat, 18 Jul 2026 11:24:20 +0000https://terms-en.ai-term-hub.com/zh/terms/llama/<h2 id="definition">Definition</h2> <p>Llama（Large Language Model Meta AI）是 Meta 发布的一系列基础大型语言模型。与许多专有模型不同，Llama 模型通常以开放权重的形式发布，允许研究人员和开发者进行本地部署和微调。</p> <h3 id="summary">Summary</h3> <p>由 Meta AI 开发的大型语言模型系列，以其开放权重和强大的性能而闻名。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>大型语言模型</li> <li>开放权重</li> <li>Meta AI</li> <li>基础模型</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>聊天机器人开发</li> <li>代码生成辅助</li> <li>研究原型设计</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transformer_architecture-transformer-%E6%9E%B6%E6%9E%84/">transformer_architecture (Transformer 架构)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/fine_tuning-%E5%BE%AE%E8%B0%83/">fine_tuning (微调)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/generative_ai-%E7%94%9F%E6%88%90%E5%BC%8F-ai/">generative_ai (生成式 AI)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/meta_ai-meta-ai/">meta_ai (Meta AI)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/kimi_k2/Sat, 18 Jul 2026 11:23:05 +0000https://terms-en.ai-term-hub.com/zh/terms/kimi_k2/<h2 id="definition">Definition</h2> <p>Kimi K2 代表了月之暗面大型语言模型系列的一次重大迭代。其特点在于增强了复杂逻辑推理和数学问题解决能力。</p> <h3 id="summary">Summary</h3> <p>Kimi K2 是由月之暗面（Moonshot AI）开发的大型语言模型，专为高级推理和长上下文理解而设计。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>大型语言模型</li> <li>推理</li> <li>长上下文</li> <li>月之暗面</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>复杂文档分析</li> <li>逻辑推理任务</li> <li>创意写作辅助</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llm-%E5%A4%A7%E5%9E%8B%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">LLM (大型语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/moonshot-ai-%E6%9C%88%E4%B9%8B%E6%9A%97%E9%9D%A2/">Moonshot AI (月之暗面)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/context-window-%E4%B8%8A%E4%B8%8B%E6%96%87%E7%AA%97%E5%8F%A3/">Context Window (上下文窗口)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transformer-transformer%E6%9E%B6%E6%9E%84/">Transformer (Transformer架构)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/kimi_k25/Sat, 18 Jul 2026 11:23:05 +0000https://terms-en.ai-term-hub.com/zh/terms/kimi_k25/<h2 id="definition">Definition</h2> <p>Kimi K25 是月之暗面 Kimi 模型家族中的一个先进迭代版本。它在 Kimi K2 等先前版本的基础上，提供了推理速度等方面的改进。</p> <h3 id="summary">Summary</h3> <p>Kimi K25 是月之暗面推出的后续大型语言模型变体，相比早期版本在性能和效率方面进行了进一步优化。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>模型迭代</li> <li>效率</li> <li>推理</li> <li>月之暗面</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>高并发 API 服务</li> <li>实时对话代理</li> <li>从长文本中提取数据</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/kimi-k2-kimi-k2%E6%A8%A1%E5%9E%8B/">Kimi K2 (Kimi K2模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/api-integration-api%E9%9B%86%E6%88%90/">API Integration (API集成)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/optimization-%E4%BC%98%E5%8C%96/">Optimization (优化)</a></li> <li><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)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/instruction_following/Sat, 18 Jul 2026 11:22:32 +0000https://terms-en.ai-term-hub.com/zh/terms/instruction_following/<h2 id="definition">Definition</h2> <p>指令遵循是指大型语言模型及其他AI系统理解细微的人类指令并在提示词中遵守明确约束的能力。这一范式转变</p> <h3 id="summary">Summary</h3> <p>AI模型准确解释并执行特定人类命令或约束的能力。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>提示工程</li> <li>约束满足</li> <li>对齐</li> <li>任务特异性</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>在特定库约束下自动生成代码</li> <li>遵循严格模式格式提取数据</li> <li>遵守合规指南的客户服务的聊天机器人</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/prompt_engineering-%E6%8F%90%E7%A4%BA%E5%B7%A5%E7%A8%8B/">prompt_engineering (提示工程)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/alignment-%E5%AF%B9%E9%BD%90/">alignment (对齐)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/few_shot_learning-%E5%B0%91%E6%A0%B7%E6%9C%AC%E5%AD%A6%E4%B9%A0/">few_shot_learning (少样本学习)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/chain_of_thought-%E6%80%9D%E7%BB%B4%E9%93%BE/">chain_of_thought (思维链)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/guardrails/Sat, 18 Jul 2026 11:20:37 +0000https://terms-en.ai-term-hub.com/zh/terms/guardrails/<h2 id="definition">Definition</h2> <p>护栏指的是一组集成在人工智能应用（特别是大型语言模型）中的软件控制和策略执行层，以确保安全且合规的行为。它们充当过滤器，拦截不当输入并规范输出结果，从而降低风险。</p> <h3 id="summary">Summary</h3> <p>旨在限制人工智能模型输出，以防止生成有害、有偏见或未经授权内容的安全机制。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>输入/输出过滤</li> <li>策略执行</li> <li>毒性检测</li> <li>提示注入防御</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>需要严格品牌合规性的企业聊天机器人</li> <li>确保医疗准确性和隐私的医疗助手</li> <li>防止使用冒犯性语言的客户服务机器人</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/alignment-%E5%AF%B9%E9%BD%90/">Alignment (对齐)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/rlhf-%E5%9F%BA%E4%BA%8E%E4%BA%BA%E7%B1%BB%E5%8F%8D%E9%A6%88%E7%9A%84%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0/">RLHF (基于人类反馈的强化学习)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/content-moderation-%E5%86%85%E5%AE%B9%E5%AE%A1%E6%A0%B8/">Content Moderation (内容审核)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/responsible-ai-%E8%B4%9F%E8%B4%A3%E4%BB%BB%E7%9A%84ai/">Responsible AI (负责任的AI)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/glm/Sat, 18 Jul 2026 11:19:07 +0000https://terms-en.ai-term-hub.com/zh/terms/glm/<h2 id="definition">Definition</h2> <p>在统计建模中，GLM 代表广义线性模型（Generalized Linear Models），它将线性回归扩展到允许响应变量具有正态分布以外的误差分布模型。在人工智能领域，GLM 也常指代智谱 AI 推出的通用语言模型系列。</p> <h3 id="summary">Summary</h3> <p>GLM 通常指统计学中的广义线性模型，或智谱 AI 开发的通用语言模型系列。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>广义线性模型</li> <li>大语言模型</li> <li>前缀语言模型</li> <li>双向编码</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>统计预测</li> <li>自然语言处理</li> <li>文本生成</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transformer-transformer%E6%9E%B6%E6%9E%84/">Transformer (Transformer架构)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/bert-bert%E6%A8%A1%E5%9E%8B/">BERT (BERT模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/linear-regression-%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92/">Linear Regression (线性回归)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/glm_moe_dsa/Sat, 18 Jul 2026 11:19:07 +0000https://terms-en.ai-term-hub.com/zh/terms/glm_moe_dsa/<h2 id="definition">Definition</h2> <p>不存在单一的标准术语“GLM MoE DSA”。然而，它很可能结合了 GLM（一种特定的大型语言模型架构）、MoE（混合专家，一种通过仅激活部分专家来高效扩展模型规模的技术）以及 DSA（可能指动态稀疏注意力或其他类似机制）。</p> <h3 id="summary">Summary</h3> <p>这似乎是不同概念的混合：GLM（通用语言模型）、MoE（混合专家）以及可能的 DSA（动态稀疏注意力等）。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>混合专家</li> <li>稀疏注意力</li> <li>模型扩展</li> <li>高效推理</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>扩展大型语言模型</li> <li>降低推理成本</li> <li>高性能自然语言处理</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/moe-%E6%B7%B7%E5%90%88%E4%B8%93%E5%AE%B6/">MoE (混合专家)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/sparse-transformers-%E7%A8%80%E7%96%8Ftransformer/">Sparse Transformers (稀疏Transformer)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/glm-%E9%80%9A%E7%94%A8%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">GLM (通用语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/switch-transformer-%E5%BC%80%E5%85%B3transformer/">Switch Transformer (开关Transformer)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/gpt_56/Sat, 18 Jul 2026 11:18:04 +0000https://terms-en.ai-term-hub.com/zh/terms/gpt_56/<h2 id="definition">Definition</h2> <p>GPT-5.6指的是OpenAI大型语言模型谱系中一个推测性的或即将推出的版本。虽然具体细节可能因开发时间线的不同而有所差异，但此类迭代通常体现了技术的进一步演进。</p> <h3 id="summary">Summary</h3> <p>OpenAI的生成式预训练Transformer系列的一个假设性或未来迭代版本，代表了超越当前GPT模型的进步。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>大型语言模型</li> <li>Transformer架构</li> <li>模型迭代</li> <li>通用人工智能</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>高级自然语言处理</li> <li>复杂推理任务</li> <li>多模态内容生成</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/gpt-4/">GPT-4</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llm-%E5%A4%A7%E5%9E%8B%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">LLM (大型语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/openai/">OpenAI</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/">神经网络</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/falcon/Sat, 18 Jul 2026 11:17:01 +0000https://terms-en.ai-term-hub.com/zh/terms/falcon/<h2 id="definition">Definition</h2> <p>Falcon指的是由技术创新研究所（TII）创建的一系列强大大型语言模型（LLM）。这些模型（如Falcon-40B和Falcon-180B）旨在与专有模型竞争。</p> <h3 id="summary">Summary</h3> <p>由技术创新研究所（Technology Innovation Institute）开发的一系列大型语言模型，与其他开源大语言模型相比，以其高性能和高效能著称。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>大型语言模型</li> <li>开放权重</li> <li>LLM</li> <li>TII</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>文本生成与摘要</li> <li>代码补全与调试</li> <li>模型缩放定律研究</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llm/">LLM</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%BC%80%E6%BA%90ai/">开源AI</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transformer/">Transformer</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/tii/">TII</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/eagle/Sat, 18 Jul 2026 11:15:46 +0000https://terms-en.ai-term-hub.com/zh/terms/eagle/<h2 id="definition">Definition</h2> <p>Eagle代表了在大语言模型领域内的一种特定架构和工程框架，主要侧重于训练效率和可扩展性的优化。它通过改进底层实现和分布式策略，帮助研究人员和企业更快速地训练和部署大规模语言模型。</p> <h3 id="summary">Summary</h3> <p>Eagle是由字节跳动开发的高性能开源大语言模型框架，旨在高效地进行大模型的预训练和微调。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>大语言模型框架</li> <li>训练效率</li> <li>Transformer架构</li> <li>开源</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>大规模模型预训练</li> <li>大语言模型的高效微调</li> <li>模型优化研究</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/pytorch-%E6%B5%81%E8%A1%8C%E7%9A%84%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%A1%86%E6%9E%B6/">PyTorch (流行的深度学习框架)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/megatron-lm-nvidia%E5%BC%80%E5%8F%91%E7%9A%84%E5%A4%A7%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83%E6%A1%86%E6%9E%B6/">Megatron-LM (NVIDIA开发的大模型训练框架)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/deepspeed-%E5%BE%AE%E8%BD%AF%E5%BC%80%E5%8F%91%E7%9A%84%E5%A4%A7%E8%A7%84%E6%A8%A1%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83%E5%BA%93/">DeepSpeed (微软开发的大规模模型训练库)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B-%E5%85%B7%E6%9C%89%E6%95%B0%E5%8D%81%E4%BA%BF%E5%8F%82%E6%95%B0%E4%BB%A5%E4%B8%8A%E7%9A%84%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">大语言模型 (具有数十亿参数以上的语言模型)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/deepseek/Sat, 18 Jul 2026 11:14:03 +0000https://terms-en.ai-term-hub.com/zh/terms/deepseek/<h2 id="definition">Definition</h2> <p>DeepSeek指的是由深度求索公司创建的人工智能模型家族。这些模型旨在处理复杂的自然语言处理任务，包括代码生成、逻辑推理和多轮对话，并在开源社区中提供了高权重的模型版本供开发者使用。</p> <h3 id="summary">Summary</h3> <p>DeepSeek是由深度求索公司开发的一系列大语言模型，以其高效率、强大的代码能力和开放权重而著称。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>大语言模型</li> <li>开放权重</li> <li>代码生成</li> <li>混合专家模型</li> <li>自然语言处理</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>软件开发辅助</li> <li>数据分析自动化</li> <li>多语言聊天机器人</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llm-large-language-model-%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">LLM (Large Language Model, 大语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/openai-openai/">OpenAI (OpenAI)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transformer%E6%9E%B6%E6%9E%84-transformer-architecture/">Transformer架构 (Transformer Architecture)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/moe-mixture-of-experts-%E6%B7%B7%E5%90%88%E4%B8%93%E5%AE%B6%E6%A8%A1%E5%9E%8B/">MoE (Mixture of Experts, 混合专家模型)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/datasettiiuaefalcon_refinedweb/Sat, 18 Jul 2026 11:13:26 +0000https://terms-en.ai-term-hub.com/zh/terms/datasettiiuaefalcon_refinedweb/<h2 id="definition">Definition</h2> <p>RefinedWeb 是一个经过过滤的网页大规模数据集，专为预训练基础模型而设计。它处理数十亿个网页，以去除低质量内容、重复项和有害材料。</p> <h3 id="summary">Summary</h3> <p>由技术创新研究所（TII）策划的大规模高质量网页数据集，用于预训练像 Falcon 这样的大型语言模型。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>数据过滤</li> <li>预训练语料库</li> <li>网页抓取</li> <li>质量控制</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>预训练大型语言模型</li> <li>比较数据质量对模型性能的影响</li> <li>构建高效的训练管道</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/common-crawl-%E9%80%9A%E7%94%A8%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB%E6%95%B0%E6%8D%AE/">Common Crawl (通用网络爬虫数据)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/the-pile-%E6%B7%B7%E5%90%88%E9%A2%84%E8%AE%AD%E7%BB%83%E6%95%B0%E6%8D%AE%E9%9B%86/">The Pile (混合预训练数据集)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/falcon-llm-falcon%E5%A4%A7%E5%9E%8B%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">Falcon LLM (Falcon大型语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/data-cleaning-%E6%95%B0%E6%8D%AE%E6%B8%85%E6%B4%97/">Data Cleaning (数据清洗)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/token_limit/Sat, 18 Jul 2026 11:02:15 +0000https://terms-en.ai-term-hub.com/zh/terms/token_limit/<h2 id="definition">Definition</h2> <p>令牌限制定义了大型语言模型的上下文窗口大小约束，限制了同时可以分析或生成的文本量。这一架构边界影响内存管理、</p> <h3 id="summary">Summary</h3> <p>AI模型在单个输入或输出序列中可处理的最大令牌数量。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>上下文窗口</li> <li>截断</li> <li>提示工程</li> <li>内存管理</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>设计检索增强生成（RAG）系统</li> <li>优化提示长度</li> <li>处理长文档</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/context_window-%E4%B8%8A%E4%B8%8B%E6%96%87%E7%AA%97%E5%8F%A3/">context_window (上下文窗口)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/embedding-%E5%B5%8C%E5%85%A5/">embedding (嵌入)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/chunking-%E5%88%86%E5%9D%97/">chunking (分块)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/prompt_tuning-%E6%8F%90%E7%A4%BA%E5%BE%AE%E8%B0%83/">prompt_tuning (提示微调)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/supervised_fine_tuning/Sat, 18 Jul 2026 11:02:04 +0000https://terms-en.ai-term-hub.com/zh/terms/supervised_fine_tuning/<h2 id="definition">Definition</h2> <p>监督微调（SFT）涉及采用大型预训练模型（如语言模型），并在较小的高质量、针对特定下游任务标注的数据集上继续训练该模型。</p> <h3 id="summary">Summary</h3> <p>在特定数据集上进一步训练预训练模型，使其适应特定任务或领域的过程。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>预训练模型</li> <li>迁移学习</li> <li>指令微调</li> <li>领域适配</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>定制聊天机器人开发</li> <li>专业医疗问答系统</li> <li>代码生成助手</li> </ul> <h2 id="code-example">Code Example</h2> <div class="highlight"><pre tabindex="0" style="color:#f8f8f2;background-color:#272822;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python"><span style="display:flex;"><span>model<span style="color:#f92672">.</span>train() </span></span><span style="display:flex;"><span><span style="color:#66d9ef">for</span> batch <span style="color:#f92672">in</span> dataloader: </span></span><span style="display:flex;"><span> inputs, labels <span style="color:#f92672">=</span> batch </span></span><span style="display:flex;"><span> outputs <span style="color:#f92672">=</span> model(inputs, labels<span style="color:#f92672">=</span>labels) </span></span><span style="display:flex;"><span> loss <span style="color:#f92672">=</span> outputs<span style="color:#f92672">.</span>loss </span></span><span style="display:flex;"><span> loss<span style="color:#f92672">.</span>backward() </span></span><span style="display:flex;"><span> optimizer<span style="color:#f92672">.</span>step() </span></span></code></pre></div><h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E9%A2%84%E8%AE%AD%E7%BB%83-pre-training/">预训练 (Pre-training)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%9F%BA%E4%BA%8E%E4%BA%BA%E7%B1%BB%E5%8F%8D%E9%A6%88%E7%9A%84%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0-rlhf/">基于人类反馈的强化学习 (RLHF)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%8F%90%E7%A4%BA%E5%B7%A5%E7%A8%8B-prompt-engineering/">提示工程 (Prompt Engineering)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B-llm/">大语言模型 (LLM)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/prompt_injection/Sat, 18 Jul 2026 11:01:29 +0000https://terms-en.ai-term-hub.com/zh/terms/prompt_injection/<h2 id="definition">Definition</h2> <p>提示注入利用大语言模型解释用户指令的方式，通过在输入文本中嵌入隐藏或冲突的指令来 exploit 这一特性。这可能导致模型忽略其原始的系统设定或安全限制。</p> <h3 id="summary">Summary</h3> <p>一种对抗性攻击，恶意输入操纵 AI 模型以绕过安全过滤器或执行非预期命令。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>对抗性攻击</li> <li>系统提示词</li> <li>安全风险</li> <li>输入清洗</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>大语言模型安全测试</li> <li>聊天机器人安全性</li> <li>数据隐私保护</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E8%B6%8A%E7%8B%B1-jailbreaking/">越狱 (Jailbreaking)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E7%BA%A2%E9%98%9F%E6%B5%8B%E8%AF%95-red-teaming/">红队测试 (Red Teaming)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%8A%A4%E6%A0%8F%E6%9C%BA%E5%88%B6-guardrails/">护栏机制 (Guardrails)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%B9%BB%E8%A7%89-hallucination/">幻觉 (Hallucination)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/function_calling/Sat, 18 Jul 2026 11:00:15 +0000https://terms-en.ai-term-hub.com/zh/terms/function_calling/<h2 id="definition">Definition</h2> <p>函数调用使大型语言模型能够通过生成指定执行哪个函数及其参数的结构化输出（如 JSON 对象）来与外部工具和 API 进行交互。</p> <h3 id="summary">Summary</h3> <p>一种允许大语言模型输出结构化数据以触发特定软件功能的机制。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>结构化输出</li> <li>API 集成</li> <li>工具使用</li> <li>JSON 模式</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>通过旅游 API 预订航班</li> <li>执行复杂的数学计算</li> <li>查询数据库记录</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/react-%E6%8E%A8%E7%90%86%E4%B8%8E%E8%A1%8C%E5%8A%A8/">ReAct (推理与行动)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/agent-%E6%99%BA%E8%83%BD%E4%BD%93/">Agent (智能体)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/api-%E5%BA%94%E7%94%A8%E7%A8%8B%E5%BA%8F%E7%BC%96%E7%A8%8B%E6%8E%A5%E5%8F%A3/">API (应用程序编程接口)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/tool-use-%E5%B7%A5%E5%85%B7%E4%BD%BF%E7%94%A8/">Tool Use (工具使用)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/few_shot_prompting/Sat, 18 Jul 2026 11:00:03 +0000https://terms-en.ai-term-hub.com/zh/terms/few_shot_prompting/<h2 id="definition">Definition</h2> <p>这种方法利用大型语言模型的上下文学习能力，直接在提示词中提供几个说明性示例。与需要更新模型权重的微调不同，少样本提示通过展示期望的输出格式或逻辑，让模型在不重新训练的情况下适应新任务。</p> <h3 id="summary">Summary</h3> <p>少样本提示是一种技术，通过在提示词中提供少量输入-输出示例来引导大型语言模型的行为。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>上下文学习</li> <li>提示工程</li> <li>基于示例的引导</li> <li>零样本对比</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>情感分析格式化</li> <li>代码风格适配</li> <li>结构化数据提取</li> </ul> <h2 id="code-example">Code Example</h2> <div class="highlight"><pre tabindex="0" style="color:#f8f8f2;background-color:#272822;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python"><span style="display:flex;"><span>response <span style="color:#f92672">=</span> llm<span style="color:#f92672">.</span>generate( </span></span><span style="display:flex;"><span> prompt<span style="color:#f92672">=</span><span style="color:#e6db74">&#34;Translate English to French:</span><span style="color:#ae81ff">\n</span><span style="color:#e6db74">&#34;</span> </span></span><span style="display:flex;"><span> <span style="color:#e6db74">&#34;Hello -&gt; Bonjour</span><span style="color:#ae81ff">\n</span><span style="color:#e6db74">&#34;</span> </span></span><span style="display:flex;"><span> <span style="color:#e6db74">&#34;World -&gt; Monde</span><span style="color:#ae81ff">\n</span><span style="color:#e6db74">&#34;</span> </span></span><span style="display:flex;"><span> <span style="color:#e6db74">&#34;Cat -&gt; ?&#34;</span> </span></span><span style="display:flex;"><span>) </span></span></code></pre></div><h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/zero_shot-%E9%9B%B6%E6%A0%B7%E6%9C%AC/">zero_shot (零样本)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/prompt_engineering-%E6%8F%90%E7%A4%BA%E5%B7%A5%E7%A8%8B/">prompt_engineering (提示工程)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/in_context_learning-%E4%B8%8A%E4%B8%8B%E6%96%87%E5%AD%A6%E4%B9%A0/">in_context_learning (上下文学习)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llm-%E5%A4%A7%E5%9E%8B%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">llm (大型语言模型)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/zero_shot/Sat, 18 Jul 2026 10:59:01 +0000https://terms-en.ai-term-hub.com/zh/terms/zero_shot/<h2 id="definition">Definition</h2> <p>零样本学习使模型能够泛化到新的类别或任务，而这些类别或任务在初始训练阶段没有提供标记的训练数据。这通常是通过利用语义嵌入或预训练知识来实现的。</p> <h3 id="summary">Summary</h3> <p>在没有先前训练示例的情况下，对未见过的类别执行任务的能力。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>泛化</li> <li>语义嵌入</li> <li>无标记数据</li> <li>迁移学习</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>对新产品分类</li> <li>回答关于未见主题的问题</li> <li>跨语言文本分类</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/few_shot-%E5%B0%91%E6%A0%B7%E6%9C%AC/">few_shot (少样本)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transfer_learning-%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0/">transfer_learning (迁移学习)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/generalization-%E6%B3%9B%E5%8C%96/">generalization (泛化)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/post_training/Sat, 18 Jul 2026 10:57:22 +0000https://terms-en.ai-term-hub.com/zh/terms/post_training/<h2 id="definition">Definition</h2> <p>后训练是机器学习生命周期中的一个关键阶段，发生在模型基于大规模通用数据进行初始预训练之后。在此阶段，模型会经历进一步的调整和优化，以更好地服务于特定应用场景。</p> <h3 id="summary">Summary</h3> <p>后训练是指在特定数据集上对预训练模型进行微调，使其适应特定任务或优化性能的阶段。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>微调</li> <li>人类反馈强化学习 (RLHF)</li> <li>量化</li> <li>适配</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>使大语言模型符合人类偏好</li> <li>优化模型体积以适应边缘设备</li> <li>将模型专业化用于医疗诊断</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/pre_trained-%E9%A2%84%E8%AE%AD%E7%BB%83%E7%9A%84/">pre_trained (预训练的)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/fine_tuning-%E5%BE%AE%E8%B0%83/">fine_tuning (微调)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/alignment-%E5%AF%B9%E9%BD%90/">alignment (对齐)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/quantization-%E9%87%8F%E5%8C%96/">quantization (量化)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/instruction_tuning/Sat, 18 Jul 2026 10:52:05 +0000https://terms-en.ai-term-hub.com/zh/terms/instruction_tuning/<h2 id="definition">Definition</h2> <p>这一过程弥合了通用预训练与特定任务表现之间的差距。通过让模型接触多样化的指令-响应对，它学会了泛化到未见过的任务，而无需针对每个新任务进行额外的调整（注：原文截断，此处补全语义）。这是使大语言模型具备人类对齐能力的关键步骤。</p> <h3 id="summary">Summary</h3> <p>指令微调是一种微调技术，通过在包含指令及其对应响应的数据集上训练预训练语言模型，以提升其遵循任务指令的能力。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>微调</li> <li>监督学习</li> <li>零样本泛化</li> <li>人类对齐</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>构建聊天机器人</li> <li>提高代码生成的准确性</li> <li>使模型符合安全准则</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/fine-tuning-%E5%BE%AE%E8%B0%83/">fine-tuning (微调)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/rlhf-%E5%9F%BA%E4%BA%8E%E4%BA%BA%E7%B1%BB%E5%8F%8D%E9%A6%88%E7%9A%84%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0/">RLHF (基于人类反馈的强化学习)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/pre-training-%E9%A2%84%E8%AE%AD%E7%BB%83/">pre-training (预训练)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/alignment-%E5%AF%B9%E9%BD%90/">alignment (对齐)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/chain_of_thought/Sat, 18 Jul 2026 07:44:10 +0000https://terms-en.ai-term-hub.com/zh/terms/chain_of_thought/<h2 id="definition">Definition</h2> <p>思维链（Chain-of-Thought, CoT）提示是一种策略，引导大型语言模型在得出最终答案之前，逐步生成推理解释。通过将复杂问题分解为中间步骤，这种方法显著提高了模型在处理逻辑推理和数学问题时的准确性和可解释性。</p> <h3 id="summary">Summary</h3> <p>一种提示技术，鼓励大型语言模型在回答之前生成中间推理步骤。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>提示工程</li> <li>推理步骤</li> <li>可解释性</li> <li>零样本思维链</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>解决复杂的数学应用题</li> <li>逻辑演绎任务</li> <li>调试代码片段</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/prompt-engineering-%E6%8F%90%E7%A4%BA%E5%B7%A5%E7%A8%8B/">Prompt Engineering (提示工程)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/large-language-models-%E5%A4%A7%E5%9E%8B%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">Large Language Models (大型语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/few-shot-learning-%E5%B0%91%E6%A0%B7%E6%9C%AC%E5%AD%A6%E4%B9%A0/">Few-Shot Learning (少样本学习)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/prompt_engineering/Sat, 18 Jul 2026 07:43:58 +0000https://terms-en.ai-term-hub.com/zh/terms/prompt_engineering/<h2 id="definition">Definition</h2> <p>提示工程涉及制作特定的输入（即提示），以从生成式 AI 模型中获取准确、相关且高质量的响应。它要求理解模型如何解释指令、上下文及约束条件，从而通过调整提示词的结构和措辞来最大化模型的表现。</p> <h3 id="summary">Summary</h3> <p>设计和优化输入文本，以引导大型语言模型生成预期输出的实践。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>语境框架</li> <li>少样本学习</li> <li>指令微调</li> <li>令牌优化</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>自动化客户支持聊天机器人</li> <li>代码生成助手</li> <li>创意写作辅助工具</li> </ul> <h2 id="code-example">Code Example</h2> <div class="highlight"><pre tabindex="0" style="color:#f8f8f2;background-color:#272822;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python"><span style="display:flex;"><span>prompt <span style="color:#f92672">=</span> <span style="color:#e6db74">&#34;Translate the following English text to French: &#39;Hello world&#39;&#34;</span> </span></span><span style="display:flex;"><span>response <span style="color:#f92672">=</span> llm<span style="color:#f92672">.</span>generate(prompt) </span></span></code></pre></div><h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llm-%E5%A4%A7%E5%9E%8B%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">LLM (大型语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/chain-of-thought-%E6%80%9D%E7%BB%B4%E9%93%BE/">Chain-of-Thought (思维链)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/rag-%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90/">RAG (检索增强生成)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/fine-tuning-%E5%BE%AE%E8%B0%83/">Fine-tuning (微调)</a></li> </ul>