AI知识探索库

监督微调(Supervised Fine-Tuning，简称 SFT)是大语言模型(LLM)训练流程中的关键一步。它的核心作用是将一个知识渊博但“不懂人话”的基座模型(Base Model)，改造成一...

GPT(Generative Pre-trained Transformer，生成式预训练变换器)系列模型是由OpenAI主导研发的一类基于Transformer架构的大型语言模型。它们通过在海量无标...

AI偏见(AI Bias)是指人工智能系统在处理数据、进行决策或生成内容时，对某些个人、群体或概念产生系统性、不公平的歧视或偏好。 简单来说，AI偏见就像是给算法戴上了一副“有色眼镜”，使其无法客观...

多层神经网络(Multi-Layer Neural Network)，也常被称为深度神经网络(DNN)或多层感知机(MLP)，是深度学习中最基础且核心的模型。 简单来说，它是一种受人脑结构启发而设计的...

大模型温度值(Temperature)是一个核心参数，用于控制AI在生成文本时的随机性和创造性。 你可以把它想象成一个控制AI“脑洞大小”的旋钮： 低温：AI会变得严谨、保守，像一个一丝不苟的科学家...

人类反馈强化学习(RLHF, Reinforcement Learning from Human Feedback)是一种将人类的主观偏好和价值观融入AI训练过程的技术，旨在让AI的行为和输出更符合人...

上下文窗口(Context Window)是大型语言模型(LLM)的一个核心概念，你可以把它形象地理解为模型的“工作记忆”或“草稿纸”。 它指的是模型在一次处理任务时，能够同时“看到”和“记住”的最大...

提示词工程(Prompt Engineering)是一门关于如何设计和优化给AI的指令(即“提示词”)的艺术与科学，其目的是引导大型语言模型(LLM)等生成式AI产出更准确、更高质量、更符合用户期望的...

混合专家模型(Mixture of Experts, MoE)是一种巧妙的神经网络架构，其核心思想是“分工协作，按需激活”。 它旨在解决传统大模型“越大越慢、越贵”的难题。与传统模型在处理任何任务时都...

在机器学习中，欠拟合(Underfitting) 指的是一个模型过于简单，以至于无法捕捉到数据中蕴含的复杂模式和规律。 通俗地讲，欠拟合就是模型“学得太少”或“没学会”。它就像一个学生只看了课本的目录...

这两个概念是机器学习里最经典的一对“冤家”。简单来说，它们代表了模型在学习过程中出现的两种极端状态：一个是“没学会”，一个是“学傻了”。 为了让你一眼看懂，我们可以把训练AI模型比作学生备考： 核心区...

如果把之前的“AI”比作一个“博学的书呆子”(只能看懂文字)，那么多模态大模型就是给这个书呆子装上了眼睛、耳朵和嘴巴，让它变成了一个“全能的正常人”。 简单来说，“多模态”就是“多种感官”。 以前的A...

生成对抗网络(简称GAN)听起来挺学术，其实它的核心原理特别像一场“猫鼠游戏”，或者说是“造假者”与“鉴定专家”之间的对决。 它的核心思想不是让一个AI独自学习，而是训练两个AI互相博弈、共同进步。 ...

简单来说，工具调用（Tool Calling），也常被称为函数调用（Function Calling），是人工智能(特别是大型语言模型，LLM)的一项核心能力。它让AI不再仅仅是一个“聊天机器人”，而...

模型权重是AI模型经过海量数据训练后，所习得的“知识”和“经验”的数字化体现。你可以把它想象成模型的大脑，里面存储了它完成特定任务所需的所有智慧和能力。 一个未经训练的模型就像一个刚出生的婴儿，其内部...

AI开源模型，简单来说，就是把一个已经训练好的AI模型的核心“大脑”——也就是模型权重——以及运行它所需的代码，免费公开给所有人使用、研究和修改。 这就像是有人不仅给你一份菜谱(代码)，还把一道已经做...

站在目前时间节点上看，AI的发展已经跨过了“尝鲜”的门槛，进入了“实干”和“深度赋能”的爆发期。 简单来说，AI已经不再只是陪你聊天的“网友”，而是变成了能帮你干活、甚至能走进工厂拧螺丝的“数字员工...

AI模型生命周期是指一个AI模型从最初的构思、开发，到部署上线、持续运行，直至最终退役的完整过程。它借鉴了软件工程的理念，形成了一套系统化的管理方法（通常被称为MLOps），确保AI项目能够高效、可靠...

AI训练的原理，本质上是让计算机通过数据“学习”规律，而不是像传统软件那样由程序员编写明确的规则。这个过程的核心是优化，即让模型在海量数据中不断调整自身，直到它能出色地完成特定任务。 我们可以从两个层...

你可以把AI的“训练”和“推理”想象成一个学生的“学习”和“考试”过程。 训练 (Training)：就像学生上课、看书、做练习，目的是学习和掌握知识。 推理 (Inference)：就像学生参加考试...

腾讯的大模型系列统一被称为“混元”(Hunyuan)。 不过，为了适应全球化发展，腾讯在2025年底对品牌进行了升级，现在对外(特别是国际市场和技术文档中)也常简称为 “HY”。 中文名称：腾讯混元 ...

大模型标注早已不是简单的“给图片画框”或“数据搬运”，它更像是给AI当“老师”或“阅卷官”。 简单来说，大模型标注的核心任务是将人类的价值观、逻辑判断和专业知识“教”给AI，让它从“能说话”变成“会说...

模型推理(Model Inference)，简单来说，就是AI模型“学以致用”的过程。 如果把“模型训练”比作学生在学校里通过海量书本学习知识、通过考试不断修正错误(建立模型);那么“模型推理”就是这...

神经网络(Neural Network)，全称人工神经网络(ANN)，是一种受生物大脑结构启发而设计的计算模型，也是现代人工智能和深度学习的核心基石。 你可以把它想象成一个由无数简单计算单元(模仿生物...

过拟合(Overfitting)，也叫“过适”，是机器学习中最常见的问题之一。 简单来说，过拟合就是模型“死记硬背”了训练数据，却没能学会其中的规律。这就像一个学生为了应付考试，把练习题的答案全部背了...

单跳检索(Single-hop Retrieval)是最基础、最直接的信息检索方式。 简单来说，它就像“查字典”或“直接问答”：用户提出一个问题，系统只需要在数据库中进行一次查询，就能在单个文档或片段...

多跳检索(Multi-hop Retrieval)是一种高级的检索增强生成(RAG)技术，旨在解决那些无法通过单次查询直接回答的复杂问题。 如果说普通的检索是“查字典”(一步到位)，那么多跳检索就是...

知识图谱(Knowledge Graph，简称 KG)是一种结构化的语义知识库。 简单来说，它不是像传统数据库那样把数据存在表格(行和列)里，而是把数据组织成一张巨大的“网”。在这张网中，实体(如人...

向量嵌入(Vector Embedding，简称“嵌入”)是人工智能和机器学习领域中的一种核心技术，主要用于将离散的对象(如单词、句子、图像、用户ID等)转换为连续的低维向量(即一串数字列表)。 简单...

RAG(检索增强生成,Retrieval-Augmented Generation)是一种让大模型 “先查资料再回答” 的技术。它把企业文档、知识库等内容向量化并存入向量库;用户提问时先检索最相关片段...