读懂 AI 新闻
概念指南
从一个陌生的词开始，了解它的含义、用途，以及容易混淆的地方。模型规格、工具用法和评测名称，都可以在这里查。
共 55 个概念
- 基础概念
大语言模型
Large Language Model
从大量材料中学习语言规律的模型，预训练建立基础能力，后续训练再调整它如何回应具体指令。
- 基础概念
递归自我改进（RSI）
Recursive Self-Improvement
AI 参与改进自身或后续系统，改进后的系统再参与下一轮改进。具体改进对象、人工参与程度和验证方式必须分别说明。
- 基础概念
多模态
Multimodal Models
同时涉及文字、图像、声音等不同形式的信息，但支持哪些输入和输出、能否把它们联系起来，需要分别看。
- 基础概念
幻觉
Hallucination
AI 生成看似合理却不符合事实或所给材料的内容；回答流畅、语气肯定、带有链接，都不能单独证明内容可靠。
- 基础概念
扩散模型
Diffusion Model
通过学习逐步去除噪声来生成数据的一类模型，常见于图像生成。它描述生成方法，不能单独决定成品风格或质量。
- 基础概念
世界模型与具身智能
World Model / Embodied AI
世界模型尝试预测环境及行动的后果；具身智能关注系统通过身体感知和行动。两者有关联，但不是同一个概念。
- 基础概念
提示词
Prompt
交给 AI 的任务说明、背景材料和示例；清楚的要求能减少误解，但无法保证答案正确或让模型获得不存在的能力。
- 基础概念
通用人工智能（AGI）
Artificial General Intelligence
AGI 关注系统能否学习并胜任广泛任务，目前没有公认的统一验收线，单项高分也不足以确认它。
- 基础概念
向量表示（Embedding）
Embedding
把文字等内容转换成一组数字，让程序能够比较相似程度；常用于搜索、分类与推荐，但相似不代表事实相同。
- 基础概念
注意力与 Transformer
Attention and Transformer
注意力让模型结合不同位置的信息，Transformer 把它组织进多层网络；稠密与混合专家是另一种区分。
- 基础概念
AI 对齐
AI Alignment
研究怎样让 AI 的行为符合人类意图与约束，并检验这种一致性在新情境中能否保持；需要说明对齐谁、对齐什么。
- 基础概念
API 与 SDK
Application Programming Interface / Software Development Kit
API 让程序按约定调用服务，SDK 提供更方便的开发工具；通过接口使用模型，与使用完整聊天产品的条件可能不同。
- 模型与使用
本地部署
Local Deployment
在自己使用的设备上运行模型，需要同时匹配权重、运行软件和硬件；本地界面也可能连接云端计算。
- 模型与使用
参数与权重
Parameters and Weights
参数是模型训练中调整的数值，数量、实际激活部分和存储精度共同影响规模，不能直接当作能力排名。
- 模型与使用
词元
Token
模型处理文本时使用的小片段，也是衡量输入和输出长度的常用单位，不能直接换算成固定字数。
- 模型与使用
工具调用
Tool use / Function calling
模型选择工具并生成调用请求，由配套程序执行后返回结果；会提出请求与工具真实执行成功，是需要分别确认的两件事。
- 模型与使用
混合专家
Mixture of Experts
让模型中的不同模块分担计算的一类架构，常以较少激活参数处理输入，但总参数仍影响部署需求。
- 模型与使用
计算机操作
Computer use
AI 通过电脑界面完成点击、输入和跨应用任务；评估时需要检查实际结果，并说明使用的工具环境。
- 模型与使用
检索增强生成
Retrieval-Augmented Generation
回答前先从资料库中找出相关内容，再交给模型组织答案；资料是否找对、是否读对，都会影响最终质量。
- 模型与使用
开放权重
Open Weights
公开训练后的模型参数，让他人有机会自行运行或修改；代码、训练资料、许可和硬件条件仍需分别确认。
- 模型与使用
浏览器自动化
Browser automation
让程序或 AI 在浏览器中打开页面、填写信息和检查结果；读取网页结构与观察截图是不同操作方式，评测时应说明。
- 模型与使用
模型许可
Model License
说明模型及相关文件可以怎样使用、修改和分发；允许下载与允许某种用途，是需要分别确认的条件。
- 模型与使用
强化学习
Reinforcement Learning
模型根据尝试后的奖励信号调整行为；反馈来自人还是程序、如何比较结果，会影响它最终学到什么。
- 模型与使用
上下文窗口
Context Window
模型生成回答时能同时参考的信息容量，影响长文档和连续对话，但不等于长期记忆或理解效果。
- 模型与使用
上下文学习（ICL）
In-Context Learning
模型借助当前输入中的说明或示例适应任务，通常无需为此更新参数；示例影响本次处理方式，不等于永久学会。
- 模型与使用
数据留存与零留存
Data retention and zero data retention
数据是否保存、保存在哪里、谁能访问以及是否用于训练是不同问题；零留存安排有适用范围，不能推断所有产品与工具都不存数据。
- 模型与使用
数值精度与量化
Numerical Precision and Quantization
用更少的位表示模型中的数值，可以降低部分存储和计算需求，但效果、速度与文件格式需要分别比较。
- 模型与使用
思维链
Chain of Thought
在答案前生成中间推导步骤的一类方法；这些步骤可以帮助解题和检查逻辑，但不能保证完整、忠实地揭示模型内部计算。
- 模型与使用
提示词缓存与 KV 缓存
Prompt Caching / KV Cache
复用已经处理过的输入所对应的计算结果，减少重复计算；提示词缓存是一种使用机制，KV 缓存是相关的底层技术。
- 模型与使用
提示词注入
Prompt injection
AI 把待阅读材料中的指令当成自己的任务要求，可能因此偏离用户原意；网页、文档和工具结果都可能携带这类内容。
- 模型与使用
投机解码与多词元预测
Speculative decoding and multi-token prediction
先提出多个候选词元，再由目标模型校验，以减少逐个生成的等待；多词元预测可以帮助生成候选，但两者并非同一个概念。
- 模型与使用
推理运行与思考
Inference and Reasoning
运行模型生成结果和进行多步思考都常被称作推理；区分两者，才能读懂速度、思考强度和预算说明。
- 模型与使用
微调与继续训练
Fine-tuning and Continued Training
在已有模型上继续训练，使它适应特定任务或材料；训练目标与调整哪些参数，是需要分开理解的两件事。
- 模型与使用
知识蒸馏
Knowledge distillation
用教师模型提供的输出或训练信号来训练学生模型，常用于降低使用成本；学生能学到多少，取决于数据、方法和自身能力。
- 模型与使用
智能体
AI agent
围绕一个目标调用工具、观察结果并继续行动的 AI 系统；实际能力还取决于工具、权限和运行流程。
- 模型与使用
智能体运行框架
Agent harness
围绕模型组织工具、任务状态、执行和检查的配套程序；框架会影响智能体表现，所以模型成绩与整套系统成绩需要分清。
- 模型与使用
MCP
Model Context Protocol
让 AI 应用按统一方式连接外部资料和工具的协议；它解决连接方式的问题，不会自动提高模型能力或授予所有访问权限。
- 评测与指标
计算量、吞吐与延迟
Compute, throughput and latency
计算量描述要做多少运算，吞吐描述一段时间处理多少内容，延迟描述要等多久；这些数字需要结合单位和测试条件理解。
- 评测与指标
评测基准（Benchmark）
Benchmark
用于比较系统表现的一套任务、运行规则和评价方法；分数只在相应条件下有意义，不能概括全部能力。
- 评测与指标
网络安全评测与风险分级
Cybersecurity evaluations and risk thresholds
网络安全评测检查模型在规定任务中的表现，风险框架据多种证据判断能力门槛；一个高分不能直接等同于现实风险水平。
- 评测与指标
形式化证明与验证
Formal Proof / Formal Verification
把命题、假设和推导写成严格的形式语言，再由程序检查是否符合逻辑规则。验证结果仍取决于实际写下的命题与假设。
- 评测与指标
长上下文评测
Long-context evaluations
检查模型能否在大量材料中找准并利用信息；大海捞针与 MRCR 覆盖不同检索难度，不能仅凭窗口容量判断理解能力。
- 评测与指标
AIME（美国数学邀请赛）
American Invitational Mathematics Examination
原本面向学生的数学竞赛，其历年题目也用于测试 AI；年份、试卷、尝试次数和工具条件都影响成绩含义。
- 评测与指标
ARC-AGI（推理评测）
Abstraction and Reasoning Corpus for Artificial General Intelligence
关注从少量信息中学习新规则的评测系列；早期版本使用网格题，第三版加入交互环境，分数含义有所不同。
- 评测与指标
BrowseComp（复杂浏览检索评测）
Browsing Competition
要求 AI 在网上寻找难以定位、需要拼合多条线索的信息，主要检查最终短答案，不涵盖全部研究报告质量。
- 评测与指标
FrontierMath（数学评测）
FrontierMath
由数学专家编写的高难度数学评测；阅读成绩时，需要分清难度层级、题集版本和允许使用的工具。
- 评测与指标
GDPval（工作产物评测）
GDPval
考察 AI 能否根据资料完成职业任务中的文档、表格等产物；OpenAI 与 Artificial Analysis 的评判方式不同。
- 评测与指标
GPQA（研究生级科学问答）
Graduate-Level Google-Proof Q&A
由领域专家编写的高难度科学选择题；Diamond 是经过特定筛选的子集，答对不等于具备完整科研能力。
- 评测与指标
HLE（人类最后的考试）
Humanity's Last Exam
覆盖多个学科的专家难题集，主要检验可核对答案的学术问题；名称并不意味着它能验收全部智能。
- 评测与指标
LiveCodeBench（持续更新的编程评测）
LiveCodeBench
按时间持续收集编程竞赛题，以减少旧题接触对评测的影响；比较时需要说明题目时间范围和具体任务。
- 评测与指标
MMLU（多学科知识评测）
Massive Multitask Language Understanding
通过多学科选择题考察知识与解题能力；MMLU-Pro 另有题目、选项和学科设置，分数不能直接对照。
- 评测与指标
OSWorld（桌面操作评测）
OSWorld
让 AI 在真实桌面软件中完成操作，并检查文件或应用状态；版本、观察方式和操作预算决定比较范围。
- 评测与指标
pass@k
Pass at k
衡量每道题生成 k 个候选答案时，至少一个通过检验的表现；它不等于一次成功率，也不保证能选出正确答案。
- 评测与指标
SWE-bench（软件工程评测）
SWE-bench
让 AI 修改真实代码项目并接受测试的软件工程评测；Verified、Pro 及同名 DeepSWE 项目需要分别辨认。
- 评测与指标
Terminal-Bench（终端任务评测）
Terminal-Bench
考察 AI 能否通过命令行完成实际任务；题集版本、工具环境和科学工作流分支会影响分数含义。
没有找到匹配的概念，可以换个关键词，或清空筛选。