ADK.wang AI & 软件技术百科

LoRA（低秩适应）是一种通过冻结主模型参数、仅训练低秩分解矩阵来实现大模型高效微调的轻量级技术，显著降低显存占用与训练成本。

修正线性单元（ReLU）是一种在深度神经网络中广泛使用的激活函数，通过仅对正输入进行线性映射并置零负输入，有效缓解梯度消失问题并加速模型训练。

公共代理程序（Common Agent）是人工智能与大模型生态中，作为通用中间件或协调器，负责统一调度、路由及标准化多模态大模型调用与交互的底层基础设施组件。

加性噪声模型是在深度学习训练中向网络输出或特征图叠加独立随机噪声的机制，旨在通过模拟真实数据的不确定性来增强模型的鲁棒性与泛化能力。

在人工智能与大模型语境下，Skills vs System Prompt 并非指代通用词汇“区别”，而是特指大模型能力构建中“显性技能模块”与“隐性系统指令”两种核心范式之间的本质差异与协同机制。

区间向量是大模型中用于高效表达连续数值不确定性或模糊约束的稀疏向量表示，通过离散化区间边界替代传统浮点数，在资源受限场景下实现高精度推理与压缩存储。

原始序列图是人工智能与大模型领域中对大语言模型（LLM）输出序列进行预处理、清洗与标准化，以消除噪声并提升下游任务鲁棒性的关键技术流程。

去噪扩散策略优化是扩散模型训练中的核心算法改进技术，旨在通过调整去噪步骤的调度函数，显著提升生成样本的质量与收敛效率。

可逆分词是一种将文本序列映射为离散标记且支持无损还原的编码机制，旨在解决大模型训练与推理中因分词不可逆导致的上下文信息丢失问题，提升模型对长序列及专业领域的理解能力。

均匀分布是概率论与统计学中的基础概念，指随机变量取值在各区间内概率密度恒定，在大模型训练中用于构建无偏采样与数据增强策略。

人类反馈强化学习（RLHF）是一种通过引入人类偏好数据来对齐大语言模型输出与人类价值观的强化学习技术，旨在提升模型的安全性、有用性与诚实度。

大模型参数规模指大语言模型中可训练权重的总数量级，是决定模型容量、泛化能力及推理复杂度的核心物理指标，直接关联智能涌现的阈值。

Few-shot Learning 是一种让大模型仅需少量示例即可掌握新任务的学习范式，通过提示工程将数据注入上下文，实现零样本到少样本的灵活迁移。

Fine-tuning 是一种通过在小规模标注数据上对预训练大模型进行参数更新，使其适应特定任务或领域知识的深度学习技术。

Chain-of-Thought（思维链）是一种让大模型通过分步推理生成中间思考过程，从而显著提升复杂问题解决能力的提示工程范式。

指令微调是一种通过构建人类偏好指令 - 输出对，利用强化学习或监督学习优化大模型，使其具备遵循人类意图、执行复杂任务及理解上下文的能力的关键训练范式。

提示工程是通过设计结构化指令与上下文，精准引导大语言模型输出高质量内容的优化技术，被视为释放大模型生产力的核心杠杆。

大模型温度参数（Temperature）是控制生成文本随机性与创造性的核心超参数，通过调节采样概率分布决定输出是偏向确定性还是多样性。

大模型解码策略是控制生成式 AI 从潜在空间输出文本序列的算法机制，通过平衡探索与利用、约束生成路径，决定模型的最终输出内容。

Word Embedding 是一种将离散的词汇映射为连续向量空间的技术，通过数值向量捕捉词语间的语义关联与上下文关系，是大语言模型理解与生成自然语言的核心基石。

大脑模块（Brain）是面向大语言模型推理优化的分布式计算架构，通过多进程并行与动态资源调度，实现高吞吐量的文本生成与复杂任务执行。

大语言模型智能体是一种基于大语言模型作为核心认知引擎，通过感知、规划、行动循环自主完成复杂任务，并具备工具调用与环境交互能力的智能系统。

存储容量跟踪是面向大模型训练与推理的元数据管理技术，通过动态监控存储资源水位与数据生命周期，实现智能存储策略的自动化决策与优化。

SimplePropertyPreFilter 是专为大模型推理优化设计的轻量级属性预过滤组件，通过快速校验输入数据的类型、格式及语义属性，在模型加载前拦截无效请求，显著降低显存占用并提升推理吞吐量。