ADK.wang AI & 软件技术百科

文心是百度基于文心一言大模型家族构建的全能型智能助手，融合深度搜索、多模态交互与任务引擎，旨在成为连接全球信息与人类智能的生产力核心入口。

文本分词（Tokenization）是将连续文本流依据语言规则或统计模型切分为独立语义单元（Token）的核心预处理技术，为下游大模型提供标准化输入数据。

文本嵌入是将离散文本序列映射为连续向量空间的数学过程，使语义相似的文本在向量空间中距离更近，是大模型实现语义检索与推理的核心基石。

文本检索是人工智能与大模型领域内，利用倒排索引、向量空间模型及语义相似度计算，从海量非结构化文本中精准定位相关文档的核心技术。

Text-to-Image（文生图）是一种利用深度学习模型将自然语言描述转化为高质量数字图像的人工智能生成技术，是生成式AI的核心能力之一。

智能体交互层是连接用户意图与具备自主执行能力的数字分身的关键架构，通过持久化状态、环境感知及工具调用闭环，实现从单轮对话到多步骤任务执行的范式跃迁。

Agent Loop 是 OpenAI Codex 核心架构中的智能体循环系统，通过“观察 - 思考 - 行动 - 反馈”闭环实现 AI 从被动问答向自主规划、纠错与验证的范式转变。

智能体策略是指导自主智能体在复杂动态环境中进行感知、决策与行动的核心逻辑规则集合，通过强化学习或提示工程生成，实现从被动响应到主动规划的能力跃迁。

Agent Loop 是 OpenAI 推出的智能体核心架构，通过“观察 - 思考 - 行动 - 反馈”闭环实现 AI 自主规划与执行，结合 Prompt 缓存与压缩技术，将传统问答模式升级为具备独立纠错与验证能力的智能体系统。

在人工智能与大模型领域，Pass Rate（格率）指模型在特定测试集或推理任务中表现合格的样本比例，是量化模型准确性、鲁棒性及部署就绪度的核心指标。

梯度范数是大模型训练中用于衡量参数更新步长幅度的标量指标，通过计算梯度向量的欧几里得模长，量化损失函数在当前迭代点的下降速率与优化稳定性。

模型量化是一种将神经网络权重与激活值从高精度浮点格式转换为低精度整数或定点表示的模型压缩技术，旨在显著降低存储占用与计算开销，从而提升推理速度并适配边缘设备部署。

Attention 是 Transformer 架构中的核心机制，通过计算输入序列中各位置元素之间的加权相关性，实现并行化的高效特征交互与上下文建模。

消息中心（MsgHub）是面向大模型应用构建的高性能消息总线与编排枢纽，负责统一处理模型推理请求、流式输出分发及多模态数据聚合，实现从底层算力到上层应用的低延迟、高可靠通信。

混合式智能体是一种融合符号推理与神经网络能力的新型 AI 架构，通过结合大模型的泛化理解与规则系统的确定性逻辑，解决复杂多模态任务中的不确定性问题。

状态变化指大模型推理过程中，内部表征或世界模型状态随时间步或事件触发而发生动态演变的机制，是连接感知输入与决策输出的核心桥梁。

Vector Store 是一种专为大语言模型设计的向量数据库，通过存储高维稀疏向量并支持语义相似度检索，实现从关键词匹配到语义理解的跨越，是构建 RAG 系统、智能搜索与知识图谱的核心基础设施。

Agent Sociality 指智能体在群体中模拟社会性动物协作、依赖与利他行为的特性，旨在赋予大模型具备社会交互能力与集体智慧，是构建多智能体系统（Multi-Agent Systems）的核心维度。

词元（Token）是大语言模型处理信息的最小语义单元，作为文本分词与序列化的基础，它不仅是模型理解语言的关键载体，更是当前大模型调用计费与价值评估的核心计量标准。

稠密嵌入是一种将高维离散数据映射至低维连续向量空间的表示方法，通过稠密的向量空间实现数据的高效近似与语义捕捉，是现代大模型与推荐系统的基石。

策略梯度是一种基于强化学习的端到端优化算法，通过直接调整策略网络参数来最大化累积奖励，是连接价值函数与动作概率分布的关键桥梁。

结构化剪枝是一种针对神经网络权重的稀疏化优化技术，通过保留完整的层结构或模块单元，仅移除部分神经元连接，在维持模型架构规整性的同时显著降低计算与存储开销。

缩放法则是大模型训练与推理中描述计算资源、模型规模与性能之间非线性关系的经验定律，揭示了算力增长对智能涌现的关键驱动作用。

ACT 是美国大学入学考试（American College Test）的简称，作为衡量学生学术能力与综合素质的标准化测试，是美国高校招生与奖学金发放的重要依据。