术语表

让机器完成通常需要人类智能的任务的技术，比如理解语言、识别图片、做决策。

例子：手机里的语音助手、相册的人脸识别，都属于 AI 的应用。

能够生成新内容（文字、图片、音频、视频）的 AI，而不是只做分类或判断。

例子：ChatGPT 写文章、即梦生成图片、Sora 生成视频。

用大量文本训练、能理解和生成语言的模型，是大多数聊天 AI 的核心。

例子：DeepSeek、ChatGPT、Claude、千问、豆包背后的模型。

模型内部通过训练学到的数值，数量和结构会影响模型能力；不是你在设置里调的选项。

例子：常听到「70B 模型」，B 指约 700 亿个参数。

模型处理文本的最小单位，可能是一个字、一个词或词的一部分；计费和上下文长度常按 token 算。

例子：一句中文通常会被切成多个 token，不一定等于字数。

模型一次对话最多能“记住”的 token 数量；超过后最早的内容可能被挤掉。

例子：把一篇长文贴给 AI 前，先看它的上下文窗口够不够。

你发给 AI 的指令、问题或材料，决定它做什么、怎么做。

例子：「帮我写周报」是提示词，「按四部分写、不超过 600 字」是更具体的提示词。

产品方预先设定的规则，优先级通常高于普通用户输入；用户一般看不到。

例子：AI 被要求「不提供违法建议」，这类底层规则常来自系统提示词。

控制输出随机性的参数；温度低更稳定，温度高更发散。

例子：写代码/事实问答用低温度，头脑风暴可以用高一点。

AI 生成了看似合理、实际不真实的内容，比如编造数据、论文或链接。

例子：AI 很自信地给出一个不存在的网址，就是幻觉。

模型训练数据截止的时间点，之后发生的事情它可能不知道。

例子：问模型“今天的热点”，它可能需要联网，否则会回答到截止日期为止。

模型能同时处理多种类型的信息，比如文字、图片、音频、视频。

例子：上传一张图让 AI 解释内容，就是多模态能力。

模型一步步分析问题、得出答案的过程；推理模型通常更擅长复杂任务，也可能更慢。

例子：数学题、复杂代码排错，通常比简单闲聊更需要推理。

让程序调用模型的通道，开发者按请求量或 token 计费，把 AI 接进自己的产品。

例子：网站后台调用模型 API 自动生成摘要。

能自己规划步骤、调用工具、检查结果，多步完成任务的 AI 系统。

例子：一个 Agent 可以查资料、写代码、运行测试，再根据报错继续修。

让 AI 先查资料、再基于资料回答的方法，常用于减少幻觉、接入私有知识。

例子：客服 AI 先从帮助文档里检索，再回答用户问题。

用特定领域的数据继续训练模型，让它的行为更符合某个任务或风格。

例子：用大量法律文书微调，让模型更懂法律问答。

模型的参数公开，可以下载、自己部署或继续训练；不等于完全免费、也没有使用限制。

例子：开源模型可以部署在自己的服务器上，数据不必发给第三方。

降低模型数值精度，减少显存和成本；可能损失一点质量。

例子：把模型压到 4bit，普通显卡也能跑，但效果可能略降。

用统一题目比较模型能力的测试；分数有参考价值，但不等于你的真实体验。

例子：某个模型数学分数高，不代表它写周报就更好。