ADK.wang AI & 软件技术百科

尺度不变特征是指计算机视觉算法中能够抵抗图像缩放、旋转等几何变换而保持识别稳定性的关键特征描述，是构建鲁棒性大模型与实现通用视觉理解的核心基石。

尺度不变特征变换（SIFT）是一种由David Lowe于1999年提出的经典计算机视觉算法，旨在通过检测图像中的局部极值点并提取具有尺度、旋转及光照不变性的特征描述子，实现鲁棒的图像匹配与识别。

尺度通道注意力机制是一种融合空间多尺度特征提取与通道维度信息加权的高级深度学习模块，旨在解决卷积神经网络中感受野受限及特征通道冗余问题，显著提升模型对复杂纹理与细节的感知能力。

局部敏感散列是一种基于哈希函数与度量空间距离的近似最近邻搜索技术，通过保证哈希值相同或相近的项在度量空间中距离相近，实现大规模数据的高效检索。

屏蔽词元（Masked Token）是大语言模型预训练中的核心机制，通过用特殊标记替换输入序列中的部分词元，迫使模型学习上下文依赖与语言生成能力，是 Transformer 架构实现自监督学习的基石。

展示付费是人工智能大模型生态中的一项商业模式，指用户通过观看模型生成的视频、演示或内容片段来解锁完整服务或高级功能的收费机制。

嵌入（Embedding）是一种将高维离散或非结构化数据映射为低维连续向量表示的数学与工程方法，旨在通过数值向量捕捉数据间的语义或结构关系，是连接原始数据与神经网络的核心桥梁。

嵌入式词向量是将离散文本数据映射为低维连续向量空间的数学表示，旨在通过数值化捕捉语义相似性，为深度学习模型提供可计算的语义特征输入。

嵌入标准操作程序是人工智能领域将非结构化数据映射为低维连续向量表示的核心算法范式，旨在通过数值化编码实现机器对语义、图像等复杂信息的理解与计算。

嵌入模型是一种将非结构化数据映射为低维稠密向量表示的深度学习架构，通过捕捉数据内在语义结构，实现机器对文本、图像等复杂信息的数学化理解与高效计算。

嵌入表是将离散高维数据（如词、ID）映射为低维连续向量空间的关键数据结构，通过查表机制实现语义信息的快速检索与初始化，是现代大模型构建语义理解能力的基石。

嵌入表示是一种将离散或非结构化数据映射为低维连续向量空间中的稠密数值向量的数学变换，是连接原始数据与神经网络计算的核心桥梁。

工业部并非人工智能与大模型领域的技术术语，而是指主管一国工业发展的政府行政机构，与当前 AI 技术生态无直接关联。

Job Task Analysis 是大模型工程化落地中的核心评估方法，通过拆解任务为原子级步骤，量化模型在特定场景下的能力边界与执行路径，为提示词工程与微调策略提供数据支撑。

工作引擎（Operation Engine）是面向大模型应用层的核心编排组件，负责将自然语言意图转化为可执行的代码片段或函数调用序列，实现从对话到智能行动的闭环。

币制（Token Program）是大模型中用于定义代币发行规则、治理机制及经济激励系统的智能合约程序，旨在通过代码化逻辑实现去中心化自治组织的价值分配与社区治理。

带宽探测是人工智能与大模型训练中用于量化网络传输能力、优化分布式训练效率的关键机制，通过实时监测链路吞吐量以动态调整通信策略。

Attention 是深度学习中的核心机制，通过计算输入序列中各元素间的加权相关性，实现信息动态聚焦与长距离依赖建模，是现代大语言模型（LLM）的基石。

扩散模型是一种基于马尔可夫链的生成式人工智能架构，通过向数据添加噪声并逆向去噪来学习数据分布，是生成对抗网络（GAN）的继任者，在图像、文本及科学发现领域具有核心地位。

平台代理程序是大模型推理引擎中负责管理分布式计算资源、协调多节点协同推理并保障服务高可用性的核心调度与运维组件。

平均学习是一种通过多次迭代训练并取模型参数算术平均，以增强大模型泛化能力、提升鲁棒性并降低过拟合风险的集成学习策略。

平均池化层是一种通过计算局部感受野内像素值的算术平均值来降低特征图空间维度的卷积神经网络组件，旨在保留关键特征并减少计算量。

平滑梯度可视化是一种通过引入梯度平滑机制，在大模型训练中抑制梯度爆炸、提升训练稳定性并辅助模型收敛的优化辅助技术。

幻影战斗机是法国达索公司研制的无尾三角翼喷气式战斗机系列，以卓越的机动性著称，曾广泛装备多国空军并参与多次重大军事行动。