时域噪声 (TNS)

时域噪声并非单纯的时间概念，而是指在人工智能与大模型系统中，表现为随时间演变的非平稳随机扰动。在深度学习训练阶段，它主要源于浮点运算精度丢失、梯度更新的不一致性以及数据采样偏差；在大模型推理阶段，则体现为显存带宽限制引发的计算延迟抖动、KV Cache 管理策略导致的上下文丢失，以及外部环境（如网络延迟、硬件热节流）引入的时序性误差。这种噪声具有明显的时变特性，其统计分布随系统运行状态动态变化，不同于静态加性噪声，对模型的泛化能力与推理稳定性构成严峻挑战。

在现代计算架构中，时域噪声是连接底层硬件物理特性与上层算法逻辑的关键变量。随着大模型参数量级向万亿级演进，对计算一致性与低延迟的要求日益严苛，时域噪声已从边缘效应演变为系统瓶颈。它深刻影响着模型的训练收敛速度、推理时的输出一致性（如幻觉率）以及长序列任务的上下文保持能力。理解并抑制时域噪声，已成为构建高可靠、低延迟大模型基础设施的核心课题，涉及从芯片微架构设计、编译器优化到分布式调度策略的全链路协同。