Techniques on 中文AI术语词典https://terms-en.ai-term-hub.com/zh/tags/techniques/Recent content in Techniques on 中文AI术语词典Hugozh-cnSat, 18 Jul 2026 11:44:45 +0000反思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>超参数调优https://terms-en.ai-term-hub.com/zh/terms/hyperparameter_tuning/Sat, 18 Jul 2026 11:21:34 +0000https://terms-en.ai-term-hub.com/zh/terms/hyperparameter_tuning/<h2 id="definition">Definition</h2> <p>超参数调优涉及评估不同的超参数集，以找到能产生最高模型准确率或最低错误率的配置。常见的策略包括网格搜索、随机搜索以及基于贝叶斯优化的方法，旨在通过迭代改进来寻找最优解。</p> <h3 id="summary">Summary</h3> <p>系统地搜索最佳超参数组合以优化模型性能的过程。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>网格搜索</li> <li>随机搜索</li> <li>交叉验证</li> <li>性能指标</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>优化深度学习模型</li> <li>提高分类器准确率</li> <li>减少模型偏差和方差</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/hyperparameter_optimization-%E8%B6%85%E5%8F%82%E6%95%B0%E4%BC%98%E5%8C%96/">hyperparameter_optimization (超参数优化)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/grid_search-%E7%BD%91%E6%A0%BC%E6%90%9C%E7%B4%A2/">grid_search (网格搜索)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/random_search-%E9%9A%8F%E6%9C%BA%E6%90%9C%E7%B4%A2/">random_search (随机搜索)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/cross_validation-%E4%BA%A4%E5%8F%89%E9%AA%8C%E8%AF%81/">cross_validation (交叉验证)</a></li> </ul>接地https://terms-en.ai-term-hub.com/zh/terms/grounding/Sat, 18 Jul 2026 11:20:24 +0000https://terms-en.ai-term-hub.com/zh/terms/grounding/<h2 id="definition">Definition</h2> <p>在人工智能中，“接地”（Grounding）指的是将符号表示或生成的文本与具体的现实世界实体、数据或感官体验联系起来的过程。对于语言模型而言，这通常涉及检索增强生成（RAG），即从外部知识库中检索相关事实来支持生成内容，从而减少幻觉。在多模态AI中，接地还涉及将语言描述与图像、音频或机器人传感器数据对齐，使AI系统能够真正“理解”其所处理的信息与现实世界的对应关系，提高系统的可靠性和可解释性。</p> <h3 id="summary">Summary</h3> <p>将抽象的人工智能输出与现实世界的事实、数据来源或物理情境相连接的过程，以确保准确性和相关性。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>检索增强生成</li> <li>上下文准确性</li> <li>事实性</li> <li>感知运动整合</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>减少大语言模型中的幻觉</li> <li>将自然语言处理与机器人控制连接</li> <li>对照知识库验证声明</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <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/hallucination_reduction-%E5%B9%BB%E8%A7%89%E6%8A%91%E5%88%B6/">hallucination_reduction (幻觉抑制)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/knowledge_graphs-%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1/">knowledge_graphs (知识图谱)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/multimodal_ai-%E5%A4%9A%E6%A8%A1%E6%80%81%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD/">multimodal_ai (多模态人工智能)</a></li> </ul>免训练的https://terms-en.ai-term-hub.com/zh/terms/training_free/Sat, 18 Jul 2026 10:59:01 +0000https://terms-en.ai-term-hub.com/zh/terms/training_free/<h2 id="definition">Definition</h2> <p>免训练方法是指在不通过反向传播更新底层权重的情况下修改模型行为或输出的技术。这些方法通常利用提示工程、特征提取或其他非参数化手段来实现适配。</p> <h3 id="summary">Summary</h3> <p>无需执行基于梯度的参数更新即可适应或增强模型的方法。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>提示工程</li> <li>无梯度下降</li> <li>参数高效</li> <li>零成本适配</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>通过提示进行少样本学习</li> <li>无需微调的领域自适应</li> <li>大语言模型应用的快速原型设计</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/prompting-%E6%8F%90%E7%A4%BA/">prompting (提示)</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/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> </ul>组合https://terms-en.ai-term-hub.com/zh/terms/combining/Sat, 18 Jul 2026 10:49:42 +0000https://terms-en.ai-term-hub.com/zh/terms/combining/<h2 id="definition">Definition</h2> <p>这一概念包括集成学习方法，其中聚合多个模型的预测结果以减少方差或偏差。它还涵盖多模态融合，即结合不同类型的数据（如文本和图像）以提供更丰富的上下文信息。</p> <h3 id="summary">Summary</h3> <p>AI中的组合指整合多个模型、数据源或技术，以提高整体性能和鲁棒性。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>集成学习</li> <li>模型融合</li> <li>多模态集成</li> <li>聚合</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>用于分类的随机森林</li> <li>多模态情感分析</li> <li>用于回归任务的堆叠模型</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/ensemble-%E9%9B%86%E6%88%90/">Ensemble (集成)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/fusion-%E8%9E%8D%E5%90%88/">Fusion (融合)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/integration-%E9%9B%86%E6%88%90/">Integration (集成)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/meta-learning-%E5%85%83%E5%AD%A6%E4%B9%A0/">Meta-learning (元学习)</a></li> </ul>