AI大模型常见术语

LLM

它叫做“大语言模型”，可以把它想象成一个超级聪明的大脑。
就像我们学习语文、数学一样，LLM也通过大量的文本数据进行了训练，所以它知道很多很多的知识。当我们向它提出问题时，它会用学到的知识来回答我们。

比如，我们可以问 LLM：“天空为什么是蓝色的？”它会根据自己的知识和算法，给出一个答案。而且，LLM 还可以生成文本，比如写故事、写作文等等。

LLM 的应用非常广泛，它可以帮助我们更好地理解和处理语言，也可以用于自然语言处理、机器翻译、智能客服等领域。未来，随着技术的不断发展，LLM还会有更多的应用和发展前景！

要让 LLM 更好地理解和处理语言，可以尝试以下几个方法：

提供更多的上下文信息：LLM 对于语言的理解是基于上下文的。因此，在与 LLM 交互时，提供尽可能多的相关上下文信息，有助于它更准确地理解问题。

使用简单明了的语言：避免使用复杂或含糊不清的词汇和句子结构。使用简单、清晰的语言可以提高 LLM 对问题的理解。

进行示例说明：如果可能的话，可以通过举例的方式向 LLM 解释问题，这样它可以更好地理解你的意图。

训练和优化：通过对 LLM 进行更多的训练和优化，可以提高它的语言理解和处理能力。

与其他技术结合：将 LLM 与其他自然语言处理技术，如词法分析、句法分析等结合使用，可以提高它的语言处理效果。

不断测试和改进：在实际应用中，不断测试 LLM 的表现，并根据反馈进行改进，以提高它的语言理解和处理能力。

就像我们学习语文一样，多读多写可以提高我们的语言能力。同样的，给 LLM 更多的学习机会，它就能变得更聪明！

LLaMA

今天我们来认识一个非常有趣的东西，它叫做“羊驼”，也可以叫它 LLaMA。LLaMA 是一个大型语言模型，由 Meta AI 发布，它有7B、13B、33B、65B（650亿）四种版本。它就像一个超级聪明的大脑，可以理解和生成人类的语言！

你们可以把 LLaMA 想象成一个非常厉害的语言老师，它可以教我们很多知识。而且，LLaMA 的性能非常优异，具有130亿参数的 LLaMA 模型在大多数基准上可以胜过 GPT-3（参数量达1750亿），而且可以在单块 V100 GPU 上运行；而最大的650亿参数的 LLaMA 模型可以媲美谷歌的 Chinchilla-70B 和 PaLM-540B。

LLaMA 的应用非常广泛，它可以帮助我们更好地理解和处理语言，也可以用于自然语言处理、机器翻译、智能客服等领域。未来，随着技术的不断发展，LLaMA 还会有更多的应用和发展前景！

LangChain

LangChain是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序，它提供了一套工具、组件和接口，可简化创建由大型语言模型（LLM）和聊天模型提供支持的应用程序的过程。

LangChain是一个语言模型集成框架，其使用案例与语言模型的使用案例大致重叠，包括文档分析和摘要、聊天机器人和代码分析。简单来说，LangChain 提供了灵活的抽象和 AI 优先的工具，可帮助开发人员将 LLM 应用程序从原型转化为生产环境。

LangChain 还提供了一套工具，可帮助开发人员构建上下文感知、推理应用程序， LangChain 的工具包括聊天机器人、文档分析、摘要、代码分析、工作流自动化、自定义搜索等。

Markdown

Markdown是一种简单的文本标记语言，它可以帮助我们在写文本的时候更加清晰、简洁、富有层次。它的核心是简单的标记，这些标记可以用来创建文本样式、加粗、斜体、下划线、链接等，还可以使用标题、段落、列表等格式化文本，从而使得文本更加易于阅读。这种语言尤其适合在网页和博客等需要在网络上发布的地方使用，因为它使得文本易于搜索和分享。例如，你可以使用 Markdown 来编写一篇博客文章，其中的标题、段落、列表等都是使用 Markdown 标记来实现的。

Markdown 最初是在 2004 年由 John Gruber 发明的，他是一位程序员和写作博客的人。他在写博客的时候，发现了一种方法，可以使用简单的标记来实现文本的格式化，使得博客更加美观和易于阅读。这种方法很快就在博客和其他需要发布文本的地方流行起来，成为了一种标准的文本标记语言。

随着时间的推移，Markdown 的功能不断扩展，现在已经成为了一种广泛使用的文本标记语言。它可以被用来创建各种文档，包括网页、博客、电子书、电子邮件、文档等。此外，Markdown 还可以和其他技术结合使用，比如 HTML、CSS、JavaScript 等，使得文本的格式和效果更加丰富。

总之，Markdown 是一种非常有用的文本标记语言，它可以帮助我们在写文本的时候更加清晰、简洁、富有层次。无论是在网页和博客上发布文本，还是在各种文档中使用，Markdown都有着广泛的应用前景。

ComfyUI

ComfyUI是一种新型的WebUI（网页用户界面），它特别适用于AI绘画软件。想象一下，你在画画时，想要画出一个非常复杂的场景，但是你的电脑内存有限，就像你的画板空间有限一样。ComfyUI就像一个聪明的助手，它能让你在有限的画板空间里画出更大、更复杂的画面，而且画得更快，更节省资源。

ComfyUI的特点是：

1. 节省显存：就像在小画板上画出大画，ComfyUI能在电脑内存有限的情况下，让你创作出更宏伟的图像。
2. 处理复杂任务：它擅长处理那些需要很多步骤的复杂任务，就像把一系列复杂的绘画步骤简化成一个流畅的过程。
3. 工作流可复用：你可以保存你的创作流程，下次想用同样的步骤画画时，可以直接拿来用，非常方便。
4. 玩法多样：ComfyUI允许你自由添加和连接不同的功能节点，就像用不同的画笔和颜色来创作，给你更多探索和创造的可能性。

不过，ComfyUI也有它的挑战，就是学习起来可能有点难，而且目前可用的插件还没有那么多。但总的来说，ComfyUI是一个让AI绘画变得更高效、更有趣的工具。

【模型参数VS模型超参数】

在机器学习中，模型参数是模型内部的配置变量，它们是在建模过程中通过数据自动学习得到的。

例如，在线性回归或逻辑回归模型中，这些参数对应于方程中的系数；在支持向量机中，它们是支持向量；在神经网络中，则是连接不同层之间的权重。这些参数的学习是模型训练的核心，旨在捕捉数据中的模式和关系。

相对地，模型超参数是模型外部的配置变量，它们不是从数据中学习得到的，而是由研究人员或数据科学家根据先验知识和经验预先设定的。

超参数包括学习率、迭代次数、网络层数、隐藏单元的数量等，它们对模型的性能和训练过程有显著影响。正确的超参数选择对于获得高效的模型至关重要，通常需要通过实验和调优来确定最佳值。

RAG

RAG（Retrieval-Augmented-Generation）是一种人工智能技术，它结合了两种不同的方法来帮助电脑更好地理解和回答问题。想象一下，你有一个超级聪明的图书馆管理员，它有两个特别的技能：一个是能快速找到正确的书籍（检索），另一个是能根据找到的信息写出精彩的文章（生成）。RAG就像是这个图书馆管理员，它先用第一个技能找到正确的信息，然后用第二个技能把信息变成有用的回答。

详细的概念介绍：
RAG技术的核心是它能够同时使用检索（Retrieval）和生成（Generation）两种方式来解决问题。检索就像是在图书馆里找到一本关于某个话题的书，而生成则是根据这本书的内容写出一篇报告。RAG首先会从大量的信息中找到最相关的部分，然后根据这些信息生成一个详细的回答。这个过程就像是在做一道菜，先找到最好的食材，然后把它们烹饪成美味的菜肴。

概念详细说明：
在RAG系统中，电脑首先会搜索大量的数据，就像图书馆管理员在书架上找到相关的书籍。然后，它会从这些书籍中提取关键信息，就像是摘录书中的重点。最后，电脑会用这些信息来生成一个完整的回答，就像是一个故事或者文章。这个过程需要电脑非常聪明，能够理解信息之间的关系，并且能够流畅地表达出来。

相关应用和发展前景：
RAG技术在很多领域都有应用，比如在搜索引擎中，它可以帮助我们更快地找到想要的信息。在教育领域，它可以作为一个智能助教，帮助学生找到学习资料并给出详细的解释。随着技术的发展，RAG可能会变得更加智能，能够处理更复杂的任务，比如自动撰写新闻报道或者帮助医生查找医疗信息。未来，RAG可能会成为我们获取信息和解决问题的重要工具，让我们的生活更加便捷。

Prompt

Prompt（提示词）在人工智能中，就像是给AI的一个小小提示，帮助它更好地理解我们的问题或者任务。就像我们在学校做作业时，老师会给我们一些提示，比如“想一想这个数学问题和我们之前学过的哪个公式有关？”这样我们就能更快地找到解题的思路。

详细的概念介绍：
在人工智能的世界里，电脑需要通过学习大量的数据来理解语言和完成任务。Prompt就像是给电脑的一个小提示，告诉它应该从哪个角度去思考问题。比如，如果我们想要电脑帮我们写一篇文章，我们可以给出一个prompt，比如“请写一篇关于春天的短文”，这样电脑就知道它需要围绕春天来创作内容。

概念详细说明：
Prompt在人工智能中的作用就像是引导电脑的思考方向。电脑通过分析prompt中的关键词，可以更快地找到相关的信息，然后生成回答或者完成任务。这个过程就像是我们在玩猜谜游戏，prompt就是我们给出的谜面，电脑需要根据这个谜面来猜出谜底。

相关应用和发展前景：
Prompt在人工智能的应用非常广泛。比如在聊天机器人中，prompt可以帮助机器人理解用户的问题并给出合适的回答。在教育软件中，prompt可以用来引导学生学习新知识。随着人工智能技术的发展，prompt可能会变得更加智能，能够更好地理解复杂的指令，甚至在没有明确prompt的情况下，也能自主完成任务。未来，prompt可能会成为人工智能与人类沟通的重要桥梁，让电脑更好地服务于我们的生活。

今天的#AI术语词典 是prompt提示词，做一下知识扩充

【下面的东西，在直播间都有更详细的讲过，所以每次直播务必要去听】

理解“提示词”是什么，AI 就很好用了。

提示词的英文是「 prompt 」，翻译成中文还有“鼓励，提示，提醒(某人说话);促使;导致;激起;给(演员)提词;”的意思。

在跟 AI 对话的时候，prompt 更确切的解释应该是“提醒某人说话”。

一起想象一个场景：

你们部门开例会，你睡着了，突然被同事戳醒，告诉你回答领导的问题。

这时候有两种情况：

情况一：同事什么都没说，就跟你说“领导问你的意见是什么”。

情况二：同事详细介绍了刚刚你睡着的时间里，领导安排了哪些工作，问你对此的意见是什么。

显然，情况二你的回答会更靠谱一些。

你面对的 AI，就跟刚被戳醒的你是一样的：它知道非常多信息，掌握很多技能，但仅仅是缺少“领导刚刚讲的那些话”的信息。

作为提醒 AI 说话的人，想要让 AI 给出完美的回答，应该给它足够多背景信息，而不只是给它下一个“回答问题”这样的指令。

当然，更好的方式是把它当成刚来的实习生，布置任务时除了提供背景信息，还有你已经掌握的方法论。

番外：

用“指令”来代指提示词，是非常不专业的做法，这样称呼prompt 的根本原因在于不知道“生成式 AI ”的基本原理。

AI 生成内容的根本驱动力不是你下达了某个“指令”，而是给它一段“提示”，它在你提示的基础上继续“续写”内容，确保“你的提示”和“他续写的内容”，整体符合逻辑。

所以你问问题AI 能回答，并不是因为他的知识库有你问题的答案，而是因为它生成带有答案的文本是符合逻辑的。
所以你发出“指令”AI能按要求生成结果，同样是因为整体符合逻辑。
所以“林黛玉倒拔垂杨柳”、“周树人打鲁迅”这样的故事，AI 并不知道实时对错，只有整体符合逻辑。

因为它必须继续往下写，这是它能给出最符合逻辑的下文了。
你突然被叫醒回答领导问题的时候，不也努力胡说八道，试图不出丑但反倒引得同事哄堂大笑了么…

RPA

RPA（Robotic ProcessAutomation）是一种利用机器人技术和软件自动化流程的工具，可以帮助企业快速实现业务流程的自动化，提高效率和准确性，减少人工干预。例如，RPA机器人可以模拟人类的操作，从一个应用程序抓取数据，然后输入到另一个应用程序中，从而实现流程自动化。

RPA的工作原理是通过模仿人类的操作，使用各种工具和技术，自动化日常的流程和任务，例如数据录入、文件审批、客户服务等。使用RPA可以减少人力成本，提高效率和准确性，同时还可以减少人为错误和时间浪费，实现更高效、更智能的工作流程。

在未来，RPA将进一步发展，与人工智能、大数据等技术相结合，实现更高级别的自动化和智能化。例如，未来的RPA机器人可以在复杂的环境中进行自主决策和行动，实现真正的智能化自动化。同时，RPA还将在各个行业和领域得到广泛应用，包括金融、医疗、教育、零售等，为企业带来更大的价值和效益。

例如，银行可以利用RPA机器人自动处理客户服务、贷款申请、账户管理等业务流程，提高服务质量和效率。物流公司可以利用RPA机器人自动跟踪货物运输、处理订单、安排仓储等业务流程，提高物流效率和准确性。医院可以利用RPA机器人自动处理病例、药品管理、病人管理等业务流程，提高医疗服务质量和效率。

SDXL

SDXL是Stable Diffusion文本到图像模型的最新版本。它包括两种不同的模型：

• sdxml-base-1.0：可生成1024x1024图像的基本文本到图像模型，该模型使用OpenCLIP-ViT/G和CLIP-ViT/L进行文本编码。
• sdxml-refiner-1.0：一个图像到图像的模型，用于细化基本模型的潜在输出，可以生成更高保真度的图像。细化模型只使用OpenCLIP-ViT/G模型。

SDXL 1.0的refiner是基于OpenCLIP-ViT/G的具有6.6B参数的模型，是目前可用的较为强大的开放访问图像模型之一。
SDXL是Stable Diffusion文本到图像模型的最新版本，相对于Stable Diffusion之前的版本来说，功能确实强大了很多。根据用户研究，SDXL的性能始终超过Stable Diffusion以前所有的版本，比如SD 1.5、SD2.1。导致这种性能提升的设计选择如下：

- UNet主干架构增加了3倍。

- 两种简单而有效的附加调节技术，不需要任何形式的额外监督。

- 一个单独的基于扩散的细化模型，该模型对SDXL产生的潜在信号采用去噪处理 ，以提高样本的视觉质量。

token

在自然语言处理（NLP）中，Token通常是指在句子中代表单词或短语的字符。

例子：
你在市场上看到的任何产品，无论是食品还是电子产品，都会有一个品牌标志或名称作为其标记，这就是一个产品Token。

在自然语言处理（NLP）中，我们将单词或短语视为Token。例如，“我是一名学生”这个句子中有“我”、“是”、“一”、“名”、“学生”这五个Token。

在计算机程序中，Token通常是用于处理文本或字符的基本单位。例如，搜索引擎可以使用Token来解析文档中的单词或短语，并识别出这些单词或短语之间的关系。

Embedding

Embedding（嵌入）这个概念，就像是给电脑一个特殊的工具，让它能够理解我们说的话或者写的字。想象一下，你有一个魔法盒子，你把一个苹果放进去，盒子就会显示出苹果的颜色、形状和味道等信息。Embedding就是这个魔法盒子，它帮助电脑把我们的文字或者图片转换成电脑能理解的形式。

详细的概念介绍：

在人工智能中，Embedding是一种技术，它可以把复杂的数据（比如文字、图片）转换成电脑能够处理的数值形式。这就像是给电脑一个字典，让电脑知道每个词或者图像代表什么。比如，我们说“猫”，Embedding就会告诉电脑这个词和“动物”、“毛茸茸”、“喵喵叫”等信息有关。这样，电脑就能更好地理解我们的语言，甚至能够根据这些信息做出反应，比如生成一个关于猫的视频。

概念详细说明：

Embedding的过程就像是把一个三维的物体放在二维的纸上。我们不能直接放，但是可以通过画出这个物体的轮廓和特征来表示它。在电脑的世界里，Embedding就是通过数学的方法，把复杂的数据转换成一系列数字，这些数字包含了原始数据的关键信息。这样，电脑就可以用这些数字来进行计算和分析了。

相关应用和发展前景：

Embedding在很多领域都有应用。比如，在文本生成视频的领域，Embedding可以帮助电脑理解剧本中的文字，然后根据这些文字生成相应的视频场景。随着技术的发展，Embedding可能会变得更加智能，能够理解更复杂的语言和图像，生成更加真实和生动的视频。未来，我们可能会看到更多由电脑自动生成的电影、动画，甚至是新闻报道，让信息的传播和娱乐更加丰富多彩。

DALL·E 3

DALL-E3是由OpenAI训练的一种人工智能，其能够生成逼真的图片，模拟人类艺术家的创作过程。
例如，它可以通过训练，生成一幅人像，并且使用原始图像进行修改，例如替换面部特征或改变图像的颜色。

DALL·E3 已经内置在 ChatGPT 中，但仅限 Plus 用户使用。

DALL-E3的工作原理是，它从大量的图像数据中学习如何生成逼真的图像。通过对这些图像数据进行分析和处理，它能够理解图像中的元素，例如线条、形状、颜色等。然后，它使用这些元素来生成新的图像，以达到它的训练目标。

DALL-E3的应用非常广泛，可以用于图像编辑、修复、合成、动画等多个领域。例如，它可以用于生成电影海报、广告图片、艺术作品等。此外，DALL-E3还可以用于图像识别、自动驾驶等领域，具有非常广阔的发展前景。

---

AI 重塑职场竞争力行动营，有针对 Token 的详细介绍，想要系统性学习 AI，可以直接入AI重塑职场竞争力行动营-起点课堂-培养数字化产品、运营、营销人才| 人人都是产品经理旗下教育品牌