1. LLM（大語言模型）

大型語言模型 (LLMs) 是先進的人工智能系統，經過大量文本數據集的訓練，可以理解和生成類似人類的文本。他們使用深度學習技術以上下文相關的方式處理和生成語言。OpenAI的GPT系列、Google的Gemini、Anthropic AI的Claude、Meta的Llama模型等LLMs的發展，標志著自然語言處理領域的重大進步。

2. 訓練

訓練是指通過將語言模型暴露于大型數據集來教導語言模型理解和生成文本。該模型學習預測序列中的下一個單詞，并通過調整其內部參數隨著時間的推移提高其準確性。這個過程是開發任何處理語言任務的人工智能的基礎。

3. 微調

微調是在較小的特定數據集上進一步訓練（或調整）預訓練語言模型以專門針對特定領域或任務的過程。這使得模型能夠更好地執行原始訓練數據中未廣泛涵蓋的任務。

4. 參數

在神經網絡（包括LLMs）的背景下，參數是從訓練數據中學習的模型架構的可變部分。參數（如神經網絡中的權重）在訓練期間進行調整，以減少預測輸出和實際輸出之間的差異。

5. 矢量

在機器學習中，向量是以算法可以處理的格式表示數據的數字數組。在語言模型中，單詞或短語被轉換為向量，通常稱為嵌入，它捕獲模型可以理解和操作的語義。

6. 嵌入

嵌入是文本的密集向量表示，其中熟悉的單詞在向量空間中具有相似的表示。這項技術有助于捕獲單詞之間的上下文和語義相似性，這對于機器翻譯和文本摘要等任務至關重要。

7. 標記化標記化是將文本分割成多個片段，稱為標記，可以是單詞、子詞或字符。這是使用語言模型處理文本之前的初步步驟，因為它有助于處理各種文本結構和語言。

8. Transformer

Transformer 是神經網絡架構，它依賴于自注意力機制來不同地權衡輸入數據不同部分的影響。這種架構對于許多自然語言處理任務非常有效，并且是大多數現代 LLMs 的核心。

9. 注意力機制

神經網絡中的注意力機制使模型能夠在生成響應的同時專注于輸入序列的不同部分，反映了人類注意力在閱讀或聽力等活動中的運作方式。這種能力對于理解上下文和產生連貫的響應至關重要。

10. 推理

推理是指使用經過訓練的模型進行預測。在 LLMs 的上下文中，推理是指模型使用在訓練期間學到的知識基于輸入數據生成文本。這是LLMs實現實際應用的階段。

11. 溫度

在語言模型采樣中，溫度是一個超參數，它通過在應用 softmax 之前縮放 logits 來控制預測的隨機性。較高的溫度會產生更多的隨機輸出，而較低的溫度會使模型的輸出更具確定性。

12. 頻率參數

語言模型中的頻率參數根據標記的出現頻率來調整標記的可能性。該參數有助于平衡常見詞和稀有詞的生成，影響模型在文本生成中的多樣性和準確性。

13. 取樣

語言模型上下文中的采樣是指根據概率分布隨機選擇下一個單詞來生成文本。這種方法允許模型生成各種且通常更具創意的文本輸出。

14. Top-k 采樣

Top-k 采樣是一種技術，其中模型對下一個單詞的選擇僅限于根據模型的預測的 k 個最可能的下一個單詞。此方法減少了文本生成的隨機性，同時仍然允許輸出的可變性。

15. RLHF（人類反饋強化學習）

根據人類反饋進行強化學習是一種根據人類反饋而不僅僅是原始數據對模型進行微調的技術。這種方法使模型的輸出與人類的價值觀和偏好保持一致，從而顯著提高其實際有效性。

16. 解碼策略

解碼策略決定了語言模型在生成過程中如何選擇輸出序列。策略包括貪婪解碼（在每一步中選擇最有可能的下一個單詞）和波束搜索（通過同時考慮多種可能性來擴展貪婪解碼）。這些策略顯著影響輸出的一致性和多樣性。

17. 語言模型提示

語言模型提示涉及設計指導模型生成特定類型輸出的輸入（或提示）。有效的提示可以提高問題回答或內容生成等任務的表現，而無需進一步培訓。

18. Transformer-XL

Transformer-XL 擴展了現有的 Transformer 架構，能夠學習超出固定長度的依賴關系，而不會破壞時間一致性。這種架構對于涉及長文檔或序列的任務至關重要。

19. 掩碼語言建模（MLM）

掩碼語言建模需要在訓練期間屏蔽某些輸入數據段，促使模型預測隱藏的單詞。該方法構成了 BERT 等模型的基石，利用 MLM 來增強預訓練效果。

20. 序列到序列模型（Seq2Seq）

Seq2Seq 模型旨在將序列從一個域轉換為另一個域，例如將文本從一種語言翻譯或將問題轉換為答案。這些模型通常涉及編碼器和解碼器。

21. 生成式預訓練變壓器（GPT）

Generative Pre-trained Transformer 是指 OpenAI 設計的一系列語言處理 AI 模型。GPT 模型使用無監督學習進行訓練，根據輸入生成類似人類的文本。

22. 困惑度

困惑度衡量概率模型對給定樣本的預測準確性。在語言模型中，困惑度的降低表明測試數據的預測能力更強，通常與更流暢、更精確的文本生成相關。

23. 多頭注意力

多頭注意力是 Transformer 模型中的一個組件，使模型能夠同時關注不同位置的各種表示子空間。這增強了模型動態關注相關信息的能力。

24. 上下文嵌入

上下文嵌入是考慮單詞出現的上下文的單詞表示。與傳統的嵌入不同，這些嵌入是動態的，并根據周圍的文本而變化，提供更豐富的語義理解。

25. 自回歸模型

語言建模中的自回歸模型根據序列中先前的單詞來預測后續單詞。這種方法是 GPT 等模型的基礎，其中每個輸出單詞都成為下一個輸入，從而促進連貫的長文本生成。

來源：自由坦蕩的湖泊AI、海豚實驗室