术语库

4D 全景分割是一项时序 LiDAR 场景理解任务，它为每个有效 3D Point 分配语义类别，并让每个 Thing Instance 的身份在完整序列中保持一致。

A2A 协议是一项开放标准，用于在彼此独立且内部实现可能不可见的 Agent 系统之间统一能力发现、消息通信、任务生命周期管理和 Artifact 交换。

ACP（Agent Client Protocol，智能体客户端协议）是一种连接代码编辑器等交互式客户端与编码智能体的开放 JSON-RPC 协议。稳定 v1 与 Draft v2 共用这层边界，但对...

AES（高级加密标准）是一种对称分组密码算法，被美国政府采用作为加密机密信息的标准。它使用 128、192 或 256 位的密钥以 128 位的固定大小块加密数据。

Agent Harness 是 AI Agent 周围的应用控制系统，负责组装上下文、约束模型提案、中介工具与权限、持久化状态与副作用、输出证据，并执行终止、恢复、评测与发布策略。

Agent 开发套件（Agent Development Kit）是一类软件框架，用可复用接口和运行时服务支持 AI Agent 的定义、执行、观测、评估与部署。

Agent 记忆是 AI Agent 可跨步骤或会话使用的信息存储与检索机制，必须具备明确的范围、来源、有效期、访问控制和删除规则。

Agent 轨迹（Agent Trajectory）是一次 AI Agent Run 中可观察 Decision、Message、Tool Proposal、Policy Outcome、Execut...

Agent 运行时（Agent Runtime）是创建、调度、隔离、推进、暂停、恢复、取消并记录 AI Agent Run 的执行环境，同时中介模型、工具、状态、记忆、凭证、策略与外部副作用。

AI Agent 是一种软件系统：AI 模型依据当前状态与环境反馈选择下一步、工具或转交对象，而应用运行时负责执行、权限、预算、持久化和终止控制。

AI Code Review 是使用机器学习或语言模型检查待合并代码变更，并为 Reviewer 生成候选 Finding 的代码审查方式。它的输出具有概率性；只有在问题位置、失败场景和支持证据经过验...

AI 加速器是为机器学习训练或推理负载提供高效执行能力的专用硬件及其配套软件栈，相比只使用通用处理器，它通常会针对矩阵、张量或数据搬运进行优化。

AI 应用构建器（App Builder）是一类无代码/低代码平台，利用大语言模型从自然语言描述生成完整的功能性 Web 应用，使非开发者能够通过对话创建软件。

AI 护栏（Guardrails）是在明确边界检测、约束、阻断、转换、升级或记录 AI 系统行为，同时维持可接受任务效用的一组版本化技术与运营控制。

AI 水印（AI Watermark）是有意嵌入生成或操纵内容中的信号，使配套检测器能够检验内容是否来自某个特定生成或标记流程。

AI幻觉是模型相对于明确真值或证据边界，自信生成错误或虚假内容的现象。生产评估应把回答拆成原子声明，分别判定为支持、矛盾、证据不足或不适用，而不是根据语言流畅度给整段回答贴标签。

API 网关是一个服务器组件，作为所有客户端 API 请求的统一入口，提供路由、身份认证、速率限制、负载均衡、缓存和请求/响应转换等横切关注点的集中管理。

ASCII（美国信息交换标准代码）是一种字符编码标准，为 128 个字符分配数值，包括英文字母、数字、标点符号和控制字符。它构成了现代文本编码系统的基础。

AutoGen 是微软进入维护模式的对话式 Agent 与事件驱动多 Agent 框架；微软建议新项目采用 Microsoft Agent Framework 1.0。

AWQ（激活感知权重量化）是一种训练后、仅权重量化方法。它利用激活分布识别关键权重通道，并搜索等价的逐通道缩放以降低这些通道的量化误差，而不需要保留混合精度权重子集。

Base64 是一种将二进制数据转换为 ASCII 字符串格式的编码方案。它使用 64 个可打印字符（A-Z、a-z、0-9、+、/）来编码二进制数据。

BM25 是一族概率词法排序函数，它根据查询词证据、逆文档频率、饱和词频与文档长度归一化为文档计算排序分数。

BMI 是通过体重（公斤）除以身高（米）的平方计算得出的数值，用于评估个人体重是否在健康范围内。世界卫生组织将其分为体重不足、正常、超重和肥胖等类别，广泛应用于健康筛查、医学诊断和健身追踪，但不能区分...

Calinski-Harabasz 指数（CH）是用每个簇自由度下的簇间离散度除以每个残差自由度下的簇内离散度，用于评估聚类内部质量的指标。

ChatModel 是一种框架层适配接口，它接收结构化对话请求，并返回经过归一化的模型消息、流、元数据、工具提议或错误。

CMYK 是一种用于彩色印刷的减色模型，通过混合青色、品红、黄色和黑色四种油墨在纸张等物理介质上呈现色彩。与屏幕显示的 RGB 加色模型不同，CMYK 通过吸收光线产生颜色，广泛应用于杂志、包装、名片...

Context Engineering（上下文工程）是为特定任务设计和运营送入语言模型的信息的过程，包括指令、任务数据、检索证据、状态、工具结果，以及它们的来源、权限、新鲜度和预算。

CrewAI 是一个开源 Python 智能体编排框架，通过 Agent、Task、Crew、Process 和事件驱动 Flow 组织多智能体协作与有状态工作流。

Cron 是类 Unix 操作系统中基于时间的任务调度器，允许用户安排命令或脚本在指定的时间间隔自动运行。它使用一种称为 cron 表达式的特殊语法来定义任务执行的时间。

CSV（逗号分隔值）是一种纯文本文件格式，使用逗号分隔值、换行符分隔记录来存储表格数据。它是应用程序之间数据交换最常见的格式之一，特别是电子表格和数据库。

Davies-Bouldin 指数（DBI）是为每个簇找到组合簇内离散度与另一个簇质心距离的最大比值，再对这些最差竞争比值求平均的内部聚类有效性指标。

DBSCAN 是围绕核心样本扩展密度连通邻域，并把无法从任何核心点密度可达的样本标记为噪声的聚类算法。

DPO（Direct Preference Optimization，直接偏好优化）是一种偏好学习目标：它让语言模型相对参考模型更偏好 chosen 回答而非 rejected 回答，同时保持正则约束...

Eino 是 CloudWeGo 生态中的开源 Go 框架，提供类型化 LLM Component、使用 Chain、Graph 与 Workflow 的 Core 编排，以及面向自主和多 Agent...

Emoji 是一套在 Unicode 中编码的标准化象形符号和图标，用于数字通信中表达情感、物体、概念和想法。每个 emoji 都有唯一的 Unicode 码点，各平台使用自己的设计渲染，广泛应用于社...

Encryption（加密）是使用数学算法和密钥将明文数据转换为不可读格式（密文）的过程，确保只有拥有正确解密密钥的授权方才能访问原始信息。

EXIF 是一种标准，指定了数码相机和智能手机使用的图像、声音和辅助标签的格式，在图像文件本身中存储相机设置、日期/时间、GPS 位置等元数据。

F1 分数（F1 Score）是在指定决策阈值与正类定义下，精确率和召回率的调和平均，只有两项指标都较高时才会取得高值。

G 计算（G-computation）是一种因果标准化方法：为目标人群中的每个单位预测各项干预下的结果，再按同一个目标协变量分布平均这些预测，从而估计干预特异的平均结果与效应。

Geohash 是一种地理编码系统，将地理坐标（纬度和经度）编码为由字母和数字组成的短字符串。它由 Gustavo Niemeyer 于 2008 年发明，提供了一种将世界划分为网格单元的分层空间数据...

Gibbs 采样是一种马尔可夫链蒙特卡洛方法，它每次从某个变量或参数块在其余变量当前取值条件下的全条件分布精确抽样。

GIF（图形交换格式）是 CompuServe 于 1987 年开发的位图图像格式，支持最多 256 种颜色和动画。它广泛用于网络上的短动画、表情包和简单图形。

Glob 是一种使用通配符字符来指定文件名或路径集合的模式匹配语法。它起源于 Unix shell，现在广泛用于编程语言、构建工具和文件系统。

Go（也称为 Golang）是一种静态类型的编译型编程语言，由 Google 设计。它强调简单性、效率，并通过 goroutine 和 channel 内置支持并发编程。

GPT模型是 OpenAI 提出的生成式预训练 Transformer 模型家族。原始 GPT 设计在 Token 序列上学习因果语言模型目标，再把得到的模型适配到具体语言任务。

Grad-CAM（Gradient-weighted Class Activation Mapping）是一种模型相关归因方法，利用指定输出对空间特征图的梯度生成粗粒度、目标相关的定位热力图。

GraphRAG（Graph Retrieval-Augmented Generation）是一类将实体和关系表示为图谱，并联合检索图谱与文本证据来回答需要关联上下文问题的 RAG 方法。

GRPO（Group Relative Policy Optimization，组相对策略优化）是一种在线策略梯度方法，它根据同一提示词下多个采样回答的组内奖励估计每个回答的相对优势，而不训练独立的 ...

GUID（全局唯一标识符）是微软对 UUID 标准的实现，是一个 128 位的标识符，用于在计算机系统中唯一标识信息。GUID 和 UUID 本质上是同一事物，只是名称不同。

Gzip 是一种文件压缩格式和软件应用程序，使用 DEFLATE 算法来减小文件大小，广泛用于压缩网页内容和减少 HTTP 传输中的带宽消耗。

Hessian 特征映射是一种非线性流形学习方法，它在局部切坐标中估计二阶导数，并利用组装后 Hessian Quadratic Form 的近零空间恢复低维参数。

Hilbert-Schmidt 独立性准则（HSIC）是一种 Kernel Dependence Measure，定义为两个配对随机变量的 RKHS Feature Map 之间 Cross-cova...

HMAC 是一种将密钥与哈希函数结合的消息认证技术，通过双重哈希结构验证数据完整性和来源真实性。它能抵抗长度扩展攻击，广泛应用于 API 请求签名、JWT 令牌验证和 Webhook 安全校验等场景，...

HSL颜色（色相、饱和度、亮度）是一种圆柱形颜色模型，以比 RGB 更直观的方式表示颜色，便于人类理解和操作。它将颜色分为三个组成部分：色相（颜色本身）、饱和度（颜色强度）和亮度（明暗程度）。

HTML实体是以 & 开头、以 ; 结尾的字符串，用于表示 HTML 中的特殊字符，这些字符要么会被解释为 HTML 代码，要么无法通过键盘直接输入。

Hybrid Search（混合检索）是一种同时运行两个或更多互补候选生成器，对结果去重，并通过明确融合策略输出统一排序列表的检索架构。

HyDE（Hypothetical Document Embeddings）是一种零样本检索方法，先生成一段或多段类似答案的假设文档，将其嵌入为查询表示，再搜索邻近的真实文档。

IP地址是分配给网络中每个设备的唯一数字标识符，用于主机识别和位置寻址。IPv4 使用 32 位地址（如 192.168.1.1），IPv6 使用 128 位地址解决地址耗尽问题。IP地址可分为公网地...

ISO 8601 是一种用于以清晰、无歧义格式表示日期和时间的国际标准，使用 YYYY-MM-DDTHH:MM:SS 模式，可选附带时区信息。

J&F 分数是 DAVIS Region Similarity J 与 Contour Accuracy F 的算术平均，用 Mask Area Overlap 与 Boundary Alignmen...

Jailbreak (越狱) 是一种试图让 AI 模型或模型驱动系统违反指定 Safety Policy 的对抗性行为，使其提供本应拒绝的受限帮助或提出不应执行的动作。

JavaScript 是一种高级解释型编程语言，使网页具有交互性，是 Web 应用程序的重要组成部分。它在浏览器和服务器（Node.js）上运行，使其成为最通用的编程语言之一。

JPEG（联合图像专家组）是一种常用的数字图像有损压缩方法，特别适用于照片。该格式通过丢弃一些人眼不太能感知的图像数据来实现显著的文件大小减小。

JSON（JavaScript 对象表示法）是一种轻量级的、基于文本的数据交换格式，易于人类阅读和编写，也易于机器解析和生成。它基于 JavaScript 语法的一个子集，但与编程语言无关。

JSON Schema 是一种用于描述和验证 JSON 数据结构的规范语言。它定义数据类型、必需属性、格式约束和嵌套结构，广泛应用于 API 请求响应验证、配置文件校验、表单生成和 OpenAPI 规...

JSON Web令牌是一种紧凑的、URL 安全的方式，用于在两方之间传递声明。JWT 中的声明被编码为 JSON 对象，并使用加密算法进行数字签名。

JSON 模式（JSON Mode）是供应商特定的大模型输出设置，使正常完成的响应成为语法有效的 JSON，但不保证符合指定 Schema，也不保证事实准确、操作已授权或业务有效。

JSONPath 是一种用于 JSON 文档的查询语言，能够使用类似于 XML 的 XPath 的路径表达式从复杂的 JSON 结构中提取和过滤数据。

K-Means 聚类是把每个向量分配给 `k` 个质心之一，再把质心更新为所属成员均值，以降低簇内平方欧氏距离的划分算法。

KTO（Kahneman-Tversky Optimization）是一种离线 LLM 对齐目标，使用分别标记为 Desirable 或 Undesirable 的单条 Prompt-Response...

KV Cache（键值缓存）是按层保存仍需参与 Attention 的历史 Token Key 和 Value 张量的推理状态，使自回归解码能够复用它们，而不必为整段前缀重复计算投影。

LangGraph 是稳定 1.x 的低层编排 Runtime，用确定性代码、模型调用、Tool 与人工输入构建长时间运行且有状态的 Workflow。

LIME（Local Interpretable Model-agnostic Explanations）是一种事后解释方法，在目标样本附近生成加权扰动，用简单可解释代理模型拟合黑箱输出，以解释该次预...

Lint 是由代码检查工具（linter）输出的静态分析告警或错误，用于在运行前发现风格问题、可疑写法和潜在缺陷。

LLM-as-Judge 是一种概率型评估方法：由大语言模型依据已声明的 Rubric 和有界证据，对一个或多个候选输出进行判断。它的 Verdict 是需要人工校准和错误分析的测量结果，不是 Gro...

LLMOps（大语言模型运维）是对大模型应用的完整行为进行开发、评估、发布、观测和持续改进的工程与治理体系。

Logit Lens（词表投影视角）是一种无需额外训练的可解释性方法：把语言模型中间层的残差流状态送入该模型最终归一化与反嵌入矩阵，生成可跨层观察的词表 Logit 或概率分布。

LoRA（Low-Rank Adaptation，低秩适应）是一种参数高效适配方法：保持选定的预训练权重矩阵冻结，通过更小的低秩矩阵学习加性更新。它缩小了可训练更新范围，但不保证固定的显存节省、硬件适...

LoRA 秩（LoRA Rank）是表示 LoRA 权重更新的两个可训练矩阵所使用的内部维度 r。它限制更新矩阵的秩并控制参数容量，但不能直接预测任务质量，也不存在适用于所有任务的默认值。

Lorem Ipsum 是一种伪拉丁语占位文本，常用于平面设计、Web 开发和出版中，用于展示视觉布局而不受有意义内容的干扰。自 16 世纪以来，它一直是行业标准的虚拟文本。

LSTQ 是一种面向 4D LiDAR 全景分割的逐点评测指标，用几何平均组合语义分类质量与全序列实例关联质量。

Markdown 是由 John Gruber 于 2004 年创建的轻量级标记语言，用于格式化纯文本文档。它使用简单直观的语法，可以轻松转换为 HTML 和其他格式，同时保持原始形式的可读性。

Matérn 核是一种平稳协方差函数，其平滑度参数控制高斯过程先验抽样函数的均方可微性。

MCP（Model Context Protocol，模型上下文协议）是一种开放、版本化协议，使 AI Host 能通过 Client 以自包含 JSON-RPC Request 发现和调用 Serv...

MCP Skills（Skills over MCP）是官方 `io.modelcontextprotocol/skills` Extension，用于发现 Agent Skill Metadata，...

MCP 主机（MCP Host）是面向用户、创建并协调 MCP Client、组装模型上下文和实施应用策略的 AI 应用，但不能替代各 MCP Server 的授权。

MCP 任务（MCP Tasks）是官方 `io.modelcontextprotocol/tasks` Extension，使 MCP Server 能为长时间运行的 Tool Call 返回持久 ...

MCP 信息征集（MCP Elicitation）是一项 Client Capability，使 MCP Server 能在受支持操作中请求用户补充输入，同时由 Client 控制展示、同意与数据共享...

MCP 客户端（MCP Client）是由 MCP Host 创建、面向一个 MCP Server 直接通信的协议组件，负责承载这段关系中的请求、Metadata、响应、通知以及 Transport ...

MCP 工具（MCP Tool）是 MCP Server 暴露、由 MCP Client 发现和调用的模型控制动作契约，但执行权限与用户同意仍是独立的策略决策。

MCP 应用（MCP Apps）是 Model Context Protocol 的官方可选扩展，使 MCP Server 能把 Tool 与交互式 HTML UI Resource 关联，并由兼容 ...

MCP 扩展（MCP Extensions）是在 Model Context Protocol Core 之外定义能力的可选、带命名空间规范，只有 Client 与 Server 都显式支持时才会生效...

MCP 提示词（MCP Prompt）是由 Server 编写、用户控制使用时机的消息模板，MCP Client 可发现并携带字符串参数请求，由 Server 渲染消息，而模型、上下文、策略与执行权仍...

MCP 服务器（MCP Server）是向 MCP Client 暴露已声明工具、资源和提示词的协议端点，但不拥有模型决策、Host 同意策略或后端事实源权限。

MCP 网关（MCP Gateway）是可选的 MCP 感知代理或聚合层，负责把 Client 请求路由到 Server 并实施共享流量策略，但不能替代 Host 同意或 Server 授权。

MCP 资源（MCP Resource）是 MCP Server 暴露、由 MCP Client 列出或读取的应用控制型 URI 数据契约，但内容不会因此自动进入模型上下文或变成可信数据。

MCP 采样（MCP Sampling）是 Model Context Protocol 中一项已弃用的 Client 能力，允许 Server 通过 Client 请求模型生成；新实现应改为直接接入...

MD5（消息摘要算法5）是一种广泛使用的加密哈希函数，它产生一个128位（16字节）的哈希值，通常表示为32个字符的十六进制数。它被设计用作校验和来验证数据完整性。

Metropolis-Hastings 算法是一种马尔可夫链蒙特卡洛方法，它先提出候选状态，再用同时修正目标密度比和提议分布非对称性的概率决定是否接受。

Microsoft Agent Framework 是微软开源的 Agent 与 Workflow 平台；Python 和 .NET 核心已发布 1.0，独立维护的 Go SDK 仍处于公开预览阶段。

MIME类型是一种标准化标识符，用于指示文件或数据的性质和格式。它由类型和子类型组成（如 text/html、image/png），通过 HTTP 的 Content-Type 头传输，使浏览器和服务...

Mock Data（模拟数据 / 测试数据）是为开发、测试或演示人工构造的数据，用来复现指定的数据结构、业务约束、边界条件或失败场景，而不直接依赖真实生产记录。

MOTSA 与 sMOTSA 是把 MOTA 扩展到像素 Mask 的多对象跟踪分割指标，其中 sMOTSA 用每个匹配 Mask 的 Intersection over Union 取代硬 True...

NanoID 是一个用于 JavaScript 的小巧、安全、URL 友好的唯一字符串 ID 生成器。它生成比 UUID 更短的紧凑标识符，同时保持类似的碰撞抵抗能力。

Nyström 方法是一种低秩 Kernel Approximation 技术，它选择 Landmark Sample，再根据对应 Kernel Column 与交叉矩阵重建完整 Positive-s...

Ollama 是一个开源模型运行与分发工具，通过 CLI 和本地 HTTP 服务管理受支持的模型制品，同时提供托管云推理与有文档边界的兼容 API。

OpenTelemetry 是一个开源可观测性框架，提供统一的 API、SDK 和工具集，用于从分布式系统中生成、收集和导出遥测数据（链路追踪、指标和日志），帮助开发者监控和排查应用程序问题。

ORPO（Odds Ratio Preference Optimization）是一种直接偏好优化方法，使用 prompt、chosen 回答和 rejected 回答三元组，把 chosen 回答的...

OSPA(2) 轨迹指标是一种有限航迹集合间的距离：它先用时间平均的 OSPA 派生距离比较单条航迹，再把该距离作为外层 OSPA Assignment 的基础成本。

PagedAttention 是一种 LLM 服务显存管理与注意力方法，它把每个序列的固定大小逻辑 KV Cache Block 映射到按需分配且无需连续的物理块。

Patchscopes（表征修补框架）是一类可配置的可解释性实验：从来源运行提取隐藏表征，可选转换后写入目标运行的指定层与位置，再通过目标模型行为进行解码。

PDF（便携式文档格式）是 Adobe 于 1992 年开发的文件格式，用于在不同平台和设备上一致地呈现文档。无论使用什么软件、硬件或操作系统查看，它都能保留字体、图像、图形和布局。

PEFT（Parameter-Efficient Fine-Tuning，参数高效微调）是一类模型适配方法：它只训练选定的既有参数或相对较少的新增参数，同时冻结大部分基座权重。参数高效本身不保证显存按...

PNG（便携式网络图形）是一种支持无损数据压缩和透明度的光栅图形文件格式。它使用 DEFLATE 压缩算法，支持 24 位真彩色和 32 位 RGBA（含 alpha 通道），非常适合需要透明背景的徽...

PPO（Proximal Policy Optimization）是一类 On-policy 策略梯度方法，它从采样轨迹改进策略，并通过裁剪或惩罚形式的替代目标抑制过大的更新。

Prompt Injection（提示词注入）是攻击者控制或影响的内容，使大语言模型应用遵循非预期指令或追求非预期目标。

Qini 系数是一种面积型排序指标，用于汇总按预测处理效应排列样本后，累计增量结果曲线相对随机投放基线高出的程度。

QLoRA（Quantized Low-Rank Adaptation）是一种参数高效微调方法：预训练基座以 4-bit 量化形式存储并保持冻结，计算时执行反量化，梯度更新可训练的 LoRA Adap...

R-Learner 是一种因果元学习器，它通过正则化的正交损失，将残差化结果对残差化处理做回归，从而估计条件平均处理效应。

Rao-Blackwellized 粒子滤波（RBPF）是一种序贯蒙特卡洛方法：采样一部分隐状态，同时在每个粒子内部解析积分另一部分条件可处理状态。

Rauch-Tung-Striebel 平滑器（RTS Smoother）是一种固定区间贝叶斯算法，它先运行前向 Kalman Filter，再递归利用未来观测修正每个历史状态估计。

REST接口是一种用于设计网络应用程序的架构风格，使用 HTTP 请求对由 URL 标识的资源执行 CRUD 操作（创建、读取、更新、删除）。它强调无状态通信和统一接口。

RGBA颜色是 RGB 模型的扩展，增加了 alpha 通道控制透明度。格式为 rgba(R, G, B, A)，其中 RGB 值范围 0-255，alpha 值 0-1 表示从完全透明到完全不透明。...

RGB颜色是一种加色模型，通过将红、绿、蓝光以不同强度组合来创建广泛的颜色光谱。每个颜色通道通常范围从 0 到 255，允许超过 1600 万种可能的颜色组合。

RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）是一类训练方法：它利用人类判断构建偏好或奖励信号，并据此优化模型策略，通常同时约...

ROC-AUC 是接收器操作特征曲线下的面积，用于汇总评分分类器在不同阈值下，把随机正例排在随机负例之前的能力。

RSA（Rivest-Shamir-Adleman）是一种非对称加密算法，使用一对密钥——公钥用于加密，私钥用于解密。它是最早的实用公钥密码系统之一，广泛用于安全数据传输。

SHA-256（安全哈希算法256位）是一种加密哈希函数，产生256位（32字节）的哈希值，通常表示为64个字符的十六进制数。它是由NSA设计的SHA-2系列的一部分，广泛用于数据完整性验证和数字签名...

SHAP（SHapley Additive exPlanations）是一种模型解释框架，基于已声明联盟价值函数的 Shapley Value，为一次预测生成可加的特征归因。

Skill 在 Agent Skills 语境下是以 SKILL.md 为入口的可复用目录包，为兼容的 AI Agent 提供特定任务指令，并可附带 Scripts、References 与 Asse...

Slug 是字符串的 URL 友好版本，通常从标题或名称派生，只使用小写字母、数字和连字符。它用于为网页、博客文章和其他内容创建人类可读且 SEO 友好的 URL。

sPTQ 是一种逐类别平均的全景跟踪指标，它从逐帧 Panoptic Quality 统计中扣除发生 ID Switch 时已匹配 Segment 的 IoU 信用。

SSE 传输（SSE Transport）在 MCP 中通常指旧版 HTTP+SSE Transport：客户端打开长期 GET Event Stream，并把消息发送到另一个 POST Endpoi...

SSL/TLS安全协议是用于在计算机网络上提供安全通信的加密协议，提供数据加密、身份认证和完整性验证三大安全服务。TLS 是 SSL 的继任者，广泛应用于 HTTPS 网站加密、电子邮件安全传输、VP...

SVG（可缩放矢量图形）是一种基于 XML 的矢量图像格式，用于二维图形，支持交互性和动画。与光栅图像不同，SVG 图形可以缩放到任何尺寸而不会损失质量。

t-SNE 是通过匹配高维与二维或三维空间中的邻域概率分布，为固定样本生成非线性可视化坐标的方法。

TID 与 LGD 是 nuScenes 跟踪诊断指标，分别衡量 Ground Truth Trajectory 从首次出现到首次成功匹配的时长，以及该轨迹内最长连续漏失区间的时长。

Token（令牌）是由特定模型定义、以整数 ID 表示的输入输出单位；它对应的文本片段可能是单词、子词、字节序列、标点、空白模式，也可能是不显示为普通文本的控制符号。

TOML 是一种人类可读的配置文件格式，语法简洁明了，可直接映射到哈希表数据结构。支持字符串、数字、布尔值、日期时间、数组和表等数据类型，广泛用于 Rust（Cargo.toml）和 Python（p...

Transformer模型是一种神经网络架构，通过残差路径和归一化连接注意力与逐位置前馈子层，反复更新一组向量表示。完整模型还必须定义位置信息、可见性 Mask、输入输出表示、训练目标和推理流程。

Tuned Lens（调优透镜）是一种可解释性方法：为模型每一层训练独立仿射转换器，使中间残差状态经模型反嵌入后得到的分布接近最终词元分布。

TypeScript 是一种强类型编程语言，通过添加可选的静态类型注解来构建在 JavaScript 之上。由 Microsoft 开发，它编译为纯 JavaScript，可以在任何 JavaScri...

UMAP 是把输入邻域表示为模糊加权图，再优化具有相似 Membership 的低维图，从而完成非线性降维的方法。

Unicode 是一种通用字符编码标准，为世界上每种书写系统的每个字符分配一个唯一的数字（码点）。它旨在表示人类交流中使用的所有字符，包括字母、符号和表情符号。

Unix时间戳（也称为 Unix 纪元时间或 POSIX 时间）是一种将时间表示为自 Unix 纪元（1970 年 1 月 1 日 00:00:00 UTC）以来累计秒数的系统。它提供了一种简单、与时...

URL 编码（百分号编码）是一种在统一资源标识符（URI）中编码信息的机制，通过将不安全的 ASCII 字符替换为 '%' 后跟两个表示字符字节值的十六进制数字来实现。

UTF-8（8 位 Unicode 转换格式）是一种可变宽度字符编码，可以表示 Unicode 标准中的每个字符。它每个字符使用 1 到 4 个字节，并且向后兼容 ASCII。

UUID（通用唯一标识符）是 RFC 9562 标准化的 128 位标识符格式。规范文本形式由 32 个十六进制数字组成，并按 8-4-4-4-12 分为五组；唯一性取决于所选版本与正确生成器，并非无...

vLLM 是执行受支持语言、多模态、Embedding、Scoring 等模型工作负载的开源 Library 与 Server Runtime。它组合请求调度器、分页 KV Cache 管理、优化模型...

WebLLM 是 MLC AI 开源的浏览器端语言模型推理引擎。它加载兼容的 MLC 模型制品，通过 WebGPU 执行模型 Kernel，并在 JavaScript 中提供 OpenAI 风格的 C...

WebP 是 Google 开发的现代图像格式，为 Web 图像提供卓越的无损和有损压缩。它通常比 JPEG 和 PNG 产生更小的文件大小，同时保持相当的质量。

X-Learner 是一种因果元学习器，它先估计处理组与对照组响应面，再为两组样本分别插补处理效应、拟合组内效应模型并组合预测。

XML（可扩展标记语言）是一种使用自定义标签存储和传输数据的标记语言。它具有严格的语法规则，支持命名空间和 XSD 模式验证，广泛应用于企业数据交换、文档格式（如 Office、SVG）和配置文件等场...

XPath 是一种用于从 XML 文档中选择节点和计算值的查询语言，使用类似文件系统的路径表达式导航 XML 树形结构。它支持绝对路径、相对路径和谓词过滤，提供丰富的内置函数，广泛应用于 XSLT 转...

YAML（YAML Ain't Markup Language）是一种人类可读的数据序列化语言，常用于配置文件和数据交换。它使用缩进来表示结构，使其比 JSON 或 XML 更易于阅读复杂的嵌套数据。

上下文压缩（Context Compression）是一种有损转换：它减少提供给 LLM 的上下文，同时保留特定下游任务所需的证据、约束与状态。

上下文召回率（Context Recall）是一项 RAG 评估指标，用稳定证据 ID 或参考主张作为计分单元，衡量检索上下文覆盖了预先声明的必要证据集合中的多大比例。

上下文学习（In-Context Learning，ICL）是语言模型在推理时利用当前上下文中的指令、演示或其他任务证据调整预测，而不更新模型参数的行为。

上下文窗口是模型端点在特定模型与运行时契约下，单次推理请求可接受的最大 Token 序列；它限制本次请求可用的信息量，但不保证模型能正确利用窗口内的每项信息。

上下文精确率（Context Precision）是一项对排序敏感的 RAG 评估指标，它奖励相关检索上下文排在无关上下文之前，常按各相关位置的前缀精确率平均值计算。

上下文缓存（Context Caching）是一种跨请求推理优化：复用由供应商或运行时管理的合格提示前缀状态，减少重复预填充计算，但不会复用模型的最终答案。

上下文老虎机（Contextual Bandit）是一类序贯决策问题：策略观察当前上下文，选择一个可用动作，只接收该动作的奖励，并学习如何在后续上下文中最大化奖励。

上下文预算（Context Budget）是一项应用层策略，用于在序列化指令、工具、用户输入、历史、证据、工具结果与生成预留之间分配模型请求的有限 Token 容量。

上置信界（Upper Confidence Bound）是一种基于乐观原则的动作选择方法，它通常用经验估计加不确定性奖励，选择仍然可信的最高潜在回报动作。

不变扩展卡尔曼滤波（Invariant Extended Kalman Filter）是一种在 Lie Group 上定义估计误差，并利用 Group-Affine 动力学简化误差传播的对称性感知状态...

不确定性量化（Uncertainty Quantification）是在明确数据、模型和部署语境下，定义、估计、验证并使用模型预测或衍生决策中不确定性的学科，常缩写为 UQ。

个体条件期望（ICE）是一种模型检查方法：对每个参考样本固定其余特征，让一个选定特征沿网格变化，从而得到该样本的一条预测响应曲线。

中心核对齐（CKA）是一种比较两个中心化 Gram Matrix 的归一化相似度指标，常用于衡量不同神经网络层或模型如何表示同一组配对样本。

中间遗忘现象（Lost in the Middle）是长上下文中的位置敏感失败模式：同一相关证据位于部分中间位置时，语言模型可能比证据位于开头或结尾时更难可靠使用它。

主动学习（Active Learning）是一种监督学习过程，由学习器在明确标注预算和评测协议下，选择哪些未标注样本或查询需要获得标签。

主成分分析（PCA）是把中心化样本投影到一组正交方向，并按各方向解释方差从大到小排序的线性降维方法。

乘法扩展卡尔曼滤波（Multiplicative Extended Kalman Filter）是一种姿态估计 EKF：用单位四元数表示方向，并估计与该四元数乘法复合的最小局部旋转误差。

事实锚定（Grounding）是在运行时向生成式 AI 模型提供有边界的外部证据，并要求重要输出 Claim 或 Action 可追溯到这些证据、已观察状态或 Tool Result 的系统实践。

二维码是一种二维矩阵条形码，可以存储各种类型的数据，包括 URL、文本、联系信息等。它由 Denso Wave 于 1994 年发明，用于追踪汽车零部件，此后已广泛用于移动扫描应用。

二进制（也称为 base-2）是一种只使用两个符号的数字系统：0 和 1。它是计算机的基础语言，所有数据和指令最终都表示为二进制数字（位）序列。

交互式多模型（Interacting Multiple Model）是一种近似 Bayesian 状态估计算法：混合固定模型组中的条件滤波器，分别更新后再按 Posterior 模式概率组合输出。

交叉拟合（Cross-Fitting）是一种 Sample-splitting 流程：在一部分样本上训练 Nuisance Model，再用未见过当前观测的模型预测该观测并计算 Estimating ...

交叉编码器（Cross-Encoder）是一种在单次前向计算中联合编码查询与候选，并返回任务特定相关性、相似度或分类分数的成对评分模型架构。

人口统计均等（Demographic Parity）是一项群体公平标准，要求模型预测或下游决策与受保护群体身份在统计上独立，通常通过比较各群体获得有利结果的选择率来评估。

人在回路（Human-in-the-Loop）是一种控制模式：AI 系统在明确决策点暂停，由经过认证和授权的人在继续执行前复核、批准、拒绝、编辑、升级或终止拟议工作。

人工智能（Artificial Intelligence，AI）是构建机器系统的研究领域与技术集合，这类系统围绕显式或隐式目标，从输入推断如何生成预测、内容、推荐、决策或动作。

代码压缩是一种网页优化技术，通过移除源代码中的空白符、注释并缩短变量名来减小文件体积，同时保持代码功能不变。常用工具如 Terser 和 cssnano 可将 JavaScript 和 CSS 文件压...

代码检查是一种静态分析技术，使用自动化工具在不执行代码的情况下分析源代码，发现语法错误、潜在 bug、风格不一致和安全漏洞。常用工具包括 ESLint、Pylint 等，可集成到 IDE 和 CI/C...

代码美化是通过添加缩进、换行和一致的空格来格式化代码或数据的过程，本质上是代码压缩的反向操作。它将紧凑的代码转换为结构清晰的格式，便于阅读、调试和代码审查，常用工具包括 Prettier、Black ...

伪标签（Pseudo-Labeling）是一种把模型或 Teacher 对无标签样本的部分预测当作临时 Target，并在后续优化步骤中使用这些样本的训练技术。

伪边际 MCMC（Pseudo-Marginal MCMC）是一种以非负无偏随机估计替代不可计算似然，同时让目标参数后验保持为边缘分布的马尔可夫链蒙特卡洛方法。

保形预测（Conformal Prediction）也称共形预测，是一种模型无关统计框架；它在 Exchangeability 等已声明假设下，把点预测或模型分数转换为具有有限样本边际覆盖保证的预测集...

倒数排名融合（Reciprocal Rank Fusion）是一种无监督排名聚合方法，根据文档在多个列表中的一基排名，对其倒数贡献求和并生成统一排序。

倾向得分（Propensity Score）是给定 Treatment 前观测协变量后接受 Treatment 的条件概率 `e(X)=P(A=1|X)`，也称倾向评分，用于设计或分析观察性比较的 B...

偏好数据（Preference Data）是记录候选模型行为判断的数据，包括相对选择、排序、评分、点评或 desirable / undesirable 标签，以及解释这些判断所需的上下文。

偶然不确定性（Aleatoric Uncertainty）是在明确观测、标签与模型契约下，对可用信息做条件化之后仍未解决的结果变异。

元数据过滤（Metadata Filtering）是对文档或分块的结构化属性执行谓词，从而定义哪些候选有资格进入检索结果。

全景分割是一项为图像中每个有效像素分配语义类别与一致 Segment Identity 的计算机视觉任务，它区分可数 Thing Instance，同时完整覆盖 Stuff Region。

全景质量（PQ）是一种面向全景分割的类别平均指标，它把已匹配 Segment 的重叠质量与未匹配预测、未匹配 Ground Truth 的惩罚组合起来。

全景跟踪指标（PAT）是一种实例中心的 Panoptic Tracking Metric，它通过调和平均组合逐帧 Panoptic Quality 与 Tracking Quality。

全类别跟踪准确率（TETA）是一种大词表多对象跟踪指标：它分别衡量 Localization、Association 与 Classification，再对三个分量取算术平均。

内在维度估计是推断数据集或数据生成过程需要多少局部自由度才能描述的任务，即使观测特征数量远高于这些自由度。

内容分发网络是由全球分布的边缘服务器组成的网络架构，通过在地理位置上最接近用户的节点缓存和交付内容，显著降低延迟并提升加载速度。它还提供 DDoS 防护、负载均衡和 SSL 终止等安全功能，是现代网站...

再生核希尔伯特空间（RKHS）是一类以函数为元素的 Hilbert Space，其中每个受支持点上的函数求值都是连续线性泛函，可由函数与相应 Kernel Section 的内积表示。

最优子模式分配指标（OSPA）是一种有限点集之间的归一化数学距离，把最优配对后的截断定位误差与集合基数不等的罚项合并起来。

最大均值差异（MMD）是一种积分概率度量，它衡量所选函数类上的最大期望差；当函数类是 RKHS 单位球时，它等于两个 Kernel Mean Embedding 之间的距离。

冷启动（Cold Start）是缺少可用模型服务容量时触发的启动区间，从明确定义的需求事件开始，到新建或恢复的副本通过就绪检查或返回首次有效推理响应为止。

函数调用是让模型输出带工具名称和参数的结构化调用提议的接口；是否执行、如何执行以及结果能否被信任，仍由应用或供应商运行时决定。

分割与跟踪质量（STQ）是一种视频全景分割指标，它通过几何平均组合语义 Mean Intersection over Union 与全序列、类别无关的 Pixel Association。

分块大小（Chunk Size）是在检索增强生成系统中，为每个被索引文档单元选择的 token、字符或结构长度。

分块重叠（Chunk Overlap）是在相邻文档分块之间保留的重复文本，使切分边界附近的信息仍然可以被检索到。

分布偏移（Distribution Shift）是模型开发或评测所依据的联合数据生成分布，与部署时实际遇到的分布发生变化。

分布外检测（OOD Detection）是对单个输入进行判断的任务：当它与明确声明的分布内参考范围足够不相容时，系统应拒绝、转交或采用不同处理方式，而不是继续执行常规模型决策。

分离式推理服务是一种把提示词 Prefill 与 Token Decode 放在独立工作池，并通过 KV Cache 传输路径连接两阶段的 LLM 推理架构。

分类准确率（Classification Accuracy）是评测样本中，预测硬标签与已声明参考标签完全一致的样本比例。

分词器（Tokenizer）是按照特定词表与配置，把文本或结构化消息转换为模型可处理的 Token ID，并把生成 ID 解码回文本的模型配套流水线。

切片采样（Slice Sampling）是一种马尔可夫链蒙特卡洛方法，它为未归一化目标密度引入随机高度，并在高于该高度的水平集中更新状态。

动态处理方案是一组预先规定的序贯决策规则，它在每个决策时点把当时可获得的信息映射为处理动作，使后续动作能够随个体反应和历史变化而调整。

势平衡多目标多伯努利滤波（CBMeMBer）是一种随机有限集近似滤波方法，用独立 Bernoulli 分量表示目标集合，并修正原始 MeMBer 更新产生的 Cardinality 正偏差。

势概率假设密度滤波（CPHD Filter）是一种随机有限集近似滤波方法，在独立同分布簇模型下同时递推多对象一阶 Intensity 与完整 Cardinality Distribution。

十六进制（也称为 hex 或 base-16）是一种使用 16 个不同符号的位置计数系统：数字 0-9 表示值 0-9，字母 A-F（或 a-f）表示值 10-15。它提供了一种人类友好的方式来表示二...

十六进制颜色是网页设计中最常用的颜色表示法，格式为 #RRGGBB，由三对十六进制值（00-FF）分别表示红、绿、蓝通道强度。它支持 1670 万种颜色，可简写为 #RGB 形式，现代 CSS 还支持...

半监督学习（Semi-Supervised Learning）是一种同时使用有标签样本与无标签样本，改进已声明预测任务的机器学习设置。

协变量偏移（Covariate Shift）是一种分布变化假设：源域与目标域的输入边缘分布不同，即 `P_source(X) != P_target(X)`，但条件目标关系保持稳定，即 `P_sour...

协方差交叉（Covariance Intersection）是一种保守数据融合方法：无需知道多个估计之间的互协方差，也能合并均值与协方差并维持一致的协方差边界。

单位换算是在保持同一物理量或测量量不变的前提下，通过量纲合法的换算因子或公式，用另一种单位表达该量的过程。

单类支持向量机（One-Class SVM）是一种无监督核方法，它围绕参考分布估计边界，并为新观测输出用于新颖性检测的有符号 Decision Score。

卡尔曼滤波（Kalman Filter）是一种递归贝叶斯估计器，它根据连续含噪观测，计算线性状态空间模型当前滤波分布的均值与协方差。

卷积神经网络（CNN，Convolutional Neural Network）是一类在网格或空间组织输入上重复应用共享局部卷积核的神经网络，其特征图带有明确的局部性与平移等变归纳偏置。

原型部件网络（ProtoPNet）是一类可解释图像分类架构，它把输入的潜在局部块与学习到的类别相关原型向量比较，再组合最强的局部块到原型相似度以产生类别 Logit。

双编码器（Bi-Encoder）是一种分别把两个输入编码为可复用向量，再通过声明的相似度函数比较这些向量的模型架构。

双重差分法是一种准实验设计，在平行趋势假设下，用处理组结果变化减去比较组结果变化，以估计处理带来的因果效应。

双重稳健估计（Doubly Robust Estimation）把 Outcome 或 Reward Model 与 Inverse Propensity Correction 结合；在完整识别条件下...

反事实公平（Counterfactual Fairness）是一项因果公平标准，要求对同一个体保持推断出的背景条件不变，仅让受保护属性在反事实世界中取不同值时，预测分布仍然不变。

反事实解释是一种局部解释：描述对当前样本的一组或多组受约束特征改动，使已拟合模型产生指定的替代输出。

反向传播是神经网络目标常用的反向模式梯度计算方法。它逆序遍历已记录的计算图，应用链式法则，累积标量损失相对于参数和中间值的导数；真正使用这些梯度更新参数的是优化器，而不是反向传播本身。

变分推断（Variational Inference）是一类通过求解优化问题，用可处理的参数化分布近似难以计算的目标分布的方法。

变分自编码器是一类潜变量生成模型：编码器近似给定观测后的潜变量后验，解码器则建模给定潜变量时观测数据的条件分布。

叠加表征是神经网络把超过激活空间维度数量的特征编码在非正交方向上，并在读取或组合这些特征时接受一定干扰的表征策略。

可解释人工智能（XAI）是为明确目的生成证据或表示，帮助特定受众理解 AI 系统部分输出、行为或内部机制的方法与实践领域。

可逆跳跃 MCMC（RJMCMC）是一种跨维马尔可夫链蒙特卡洛方法，它通过构造不同维度空间之间的可逆移动，联合采样模型标识及其参数。

合成控制法是一种比较案例设计，它用未处理供体单位的加权组合复现处理单位的处理前结果与预测变量，从而估计其处理后缺失的反事实结果路径。

合成数据（Synthetic Data）是由规则、仿真、统计模型或生成模型产生，而非直接观测目标事件所得的数据，用于在明确任务中补充或替代真实记录。

合页损失（Hinge Loss）是一种基于间隔的凸分类损失，二分类形式为 `max(0, 1-yf(x))`，它同时惩罚错误预测和仍处于目标间隔内的正确预测。

后门攻击（Backdoor Attack）是一类在机器学习模型中植入隐藏行为的对抗操纵：攻击者选定的 Trigger 会触发目标输出，而普通输入仍可能保持正常表现。

后验预测分布（Posterior Predictive Distribution）是在未知模型量的后验分布上，对新结果或复制结果的条件似然进行积分后得到的概率分布。

向量嵌入是把文本、图像、实体或其他输入映射为数值向量的学习型表示，使特定训练目标关心的关系可以通过距离度量。只有模型、Revision、任务模式、预处理、维度、归一化和距离函数相互兼容时，向量才可直接...

向量数据库是持久化向量 Embedding，并按指定距离度量检索相近记录的数据系统。生产实现还需要围绕精确或近似最近邻搜索管理稳定 ID、元数据过滤、更新删除、持久化、可观测性与访问控制。

吞吐量（Throughput）是 LLM 服务系统在明确工作负载下，单位墙钟时间内完成的已定义工作量，例如成功请求数或输出 Token 数。

哈密顿蒙特卡洛（HMC）是一种马尔可夫链蒙特卡洛方法，它为连续参数增加辅助动量，通过近似 Hamiltonian Dynamics 产生远距离候选，再使用 Metropolis 步骤修正数值积分误差。

哈希是一种单向数学函数，将任意大小的输入数据转换为固定长度的数字指纹，具有确定性、雪崩效应和抗碰撞性等特性。常用算法包括 SHA-256 和 SHA-3，广泛应用于密码存储、数据完整性验证、数字签名和...

噪声敏感度（Noise Sensitivity）是一项 RAG 评估指标，用于衡量检索内容诱发错误答案主张的频率，常把相关分块内部噪声与无关分块噪声分开计算。

回调处理器（Callback Handler）是一种框架钩子，它在模型、工具、检索、流、工作流或 Agent 执行生命周期中接收类型化事件，用于观察或具有明确契约的拦截。

因果中介分析（Causal Mediation Analysis）通过定义直接与间接的反事实对比，研究一项干预的效应有多少经过指定中介传递，以及有多少通过其他路径产生。

因果元学习器是一类以处理分配为约束、组合普通预测模型来估计条件平均处理效应的框架，而不是直接学习现实中不可同时观测的个体因果标签。

因果发现（Causal Discovery）是在明确图结构、采样、条件独立、潜变量、干预和数据生成机制假设后，从数据中学习可识别因果结构特征的任务。

因果可迁移性是通过组合源人群中的因果证据、连接源与目标人群的假设以及目标数据，识别并估计目标人群因果效应的过程。

因果推断（Causal Inference）是定义并估计明确 Intervention 或 Treatment 会如何改变结果的过程，它依靠实验设计或显式假设，把不可同时观测的 Counterfact...

因果擦洗（Causal Scrubbing）是一种机制可解释性方法：把明确的计算假设转换为重采样干预，按照该假设规定的等价关系替换内部激活，再检验模型是否保留相关行为。

因果有向无环图是一种节点表示因果变量、箭头表示直接因果假设的有向无环图，可用于推理路径、条件独立、干预与协变量调整。

因果森林（Causal Forest）是一类基于 Forest 的 Estimator，通过构建自适应协变量邻域估计 Conditional Average Treatment Effect，其分裂与...

固定滞后平滑器（Fixed-Lag Smoother）是一种把每个输出延迟固定 Lag，使有限未来窗口中的量测能够修正近期状态的估计器。

图片压缩是通过算法移除冗余或不重要的数据来减小图像文件大小的技术。无损压缩（如 PNG）保留所有数据，有损压缩（如 JPEG）牺牲部分质量换取更小体积。它对网页性能优化至关重要，现代格式如 WebP ...

图编排（Graph Orchestration）是把 AI 工作流表示为显式 Node、Transition 与版本化 State 的执行模式，由应用代码定义 Branch、Cycle、Paralle...

均衡赔率（Equalized Odds）是一项群体公平标准，要求在观测结果给定后，预测与受保护群体身份在统计上条件独立；对二分类而言，即各群体拥有相同的真正率和假正率。

域名系统是一种分层分布式命名系统，将人类可读的域名（如 example.com）转换为计算机用于在网络上相互识别的 IP 地址（如 192.0.2.1）。

增益建模（Uplift Modeling）是利用实验数据或已完成因果识别的数据，估计或排序 Intervention 对不同 Unit 的 Outcome 改变量，从而基于增量 Effect 而非 R...

多假设跟踪（Multiple Hypothesis Tracking）是一类多目标跟踪框架：它保留多条竞争的量测到航迹历史，递归评分，并把歧义关联推迟到后续观测提供更多证据时再判决。

多对象跟踪准确率（MOTA）是一种 CLEAR MOT 得分：它从 Ground Truth Detection 总数中扣除漏检、虚假 Detection 与身份切换造成的归一化误差。

多对象跟踪精度（MOTP）是一种 CLEAR MOT 定位度量：它平均已接受 Ground Truth 与预测 Detection Match 的空间相似度或距离。

多智能体系统是一种 AI 应用架构，其中两个或更多边界明确的 Agent 通过任务、消息、状态、权限和完成契约进行协作。

多核学习（MKL）是一类联合学习 Predictor 与组合多个 Kernel Function 所需权重或结构的方法。

多模态 AI 是能够接收、关联或生成两种及以上数据模态的人工智能系统，例如文本、图像、音频、视频或传感器信号。关键不在于能上传多种文件，而在于系统能否可靠地理解不同模态之间的关系。

多维尺度分析（MDS）是一组把对象放入低维坐标空间，使坐标间距离尽量逼近给定不相似度的方法。

多臂老虎机（Multi-Armed Bandit）是一类序贯决策问题：学习器反复从一组动作中选择一个，只观察所选动作的奖励，并在信息不完整时尝试最大化累计奖励。

多输出高斯过程（Multi-output GP）是一种向量值高斯过程，它通过同时作用于输入位置与输出身份的协方差函数，对多个相关输出进行联合建模。

大语言模型（LLM，Large Language Model）是一类参数化神经模型，它估计 Token 序列的概率，并据此对语言条件下的输出进行评分、转换或生成。可观察到的行为属于完整推理配置，而不只...

奖励模型（Reward Model）是一种学习得到的模型：它把上下文与候选行为映射为标量或结构化奖励代理，并通过偏好、结果或过程监督，预测特定评测规则更倾向哪种行为。

安全聚合（Secure Aggregation）是一类密码协议：协调方可以计算参与者向量的聚合值，通常是求和，同时在声明的威胁与掉线模型下无法获知每个参与者的明文贡献。

安全超文本传输协议是 HTTP 的安全版本，使用 TLS（传输层安全）加密浏览器与服务器之间的所有通信。它保护数据完整性、机密性，并验证服务器身份。

审批门禁（Approval Gate）是确定性执行检查点，在 AI 动作产生外部副作用前，阻断执行并由可信代码验证适用的策略决定或审批记录。

容积卡尔曼滤波（Cubature Kalman Filter）是一种使用球面径向容积准则的等权确定性点，近似非线性变换矩的高斯状态估计器。

宽高比是图像、视频或显示器宽度与高度的比例关系，用冒号分隔表示（如 16:9、4:3）。保持正确的宽高比可防止图像变形失真。常见比例包括 16:9（高清视频）、4:3（传统屏幕）、1:1（社交媒体）和...

密码是用于验证用户身份的秘密字符串，通过与系统存储的凭证匹配来授予对账户或数据的访问权限。强密码应包含大小写字母、数字和特殊字符，并配合双因素认证使用。密码通常以哈希形式安全存储，而非明文。

对数损失（Log Loss）是分类器分配给每个观测标签的概率之负对数的平均值，因此高置信度错误会受到远大于不确定预测的惩罚。

小样本学习（Few-Shot Learning）是一类机器学习设置，要求系统利用相对于问题规模、先验数据或常规训练需求而言很小的已标注 Support Set，泛化到新任务或新类别。

小语言模型（Small Language Model, SLM）是一类非标准、依赖上下文的语言模型，其资源或能力边界小于相关比较对象。它没有统一参数上限，仅凭 SLM 标签不能证明模型适配设备、满足任...

局部切空间对齐（LTSA）是一种非线性降维方法，它在重叠样本邻域中估计切空间坐标，并寻找与这些局部 Affine Chart 最一致的全局坐标。

局部线性嵌入（LLE）是先用邻近样本重构每个点，再让一组共享低维坐标保持相同重构权重的非线性降维方法。

局部跟踪指标（LIDF1 与 ALTA）是一组带 Horizon 参数的多对象跟踪度量：它们在有限时间窗口内重新求解最优 Track Correspondence。

层叠样式表是一种用于描述 HTML 和 XML 文档呈现的样式语言，控制网页的布局、颜色、字体和动画效果。CSS 将内容与样式分离，支持 Flexbox、Grid 布局和媒体查询等现代特性，是构建响应...

层次聚类（Hierarchical Clustering）是通过自底向上反复合并簇，或自顶向下反复拆分簇，把样本组织成嵌套树结构的一类算法。

工作流编排（Workflow Orchestration）是在一个有界业务流程中，对任务、依赖、状态、Timer、Signal、Policy、Approval、外部副作用与 Terminal Outc...

工具使用（Tool Use）是模型选择或提出外部能力、可信运行时代码校验并执行请求，再把有界结果返回下一轮模型或应用结果的系统模式。模型生成的 Tool Call 只是提案，不能证明权限、真实执行、成...

工具变量是一类能够改变处理接受情况、在研究设计下独立于结果原因，并且只通过处理影响结果的变量，可在附加假设成立时识别因果效应。

工具投毒是一类 AI Agent 攻击：恶意或被入侵的工具元数据、Schema、实现、更新或返回内容影响 Agent，使其选择不安全操作或滥用已有权限。

差分隐私（Differential Privacy）是一种数学框架，用于限制加入、删除或替换一个已声明隐私单位后，随机化机制任意输出概率能够发生的变化。

差异对比是一种比较技术，用于识别和显示两组数据之间的差异。它基于最长公共子序列算法，能够精确标记文本文件或代码中添加、删除和修改的内容，是版本控制系统和代码审查工具的核心功能，广泛应用于软件开发协作流...

布里尔分数（Brier Score）是一种严格 Proper Scoring Rule，通过计算预测概率分布与二元结果或 One-hot 类别向量之间的平均平方距离，评价概率预测质量。

平均处理效应（Average Treatment Effect）是在已声明 Target Population 中，对每个 Unit 在 Treatment 与 Comparator 下的 Poten...

平均多对象跟踪准确率（AMOTA）是一种 Confidence-swept 多对象跟踪得分：它在预定义 Recall Operating Point 上平均准确率，而不是只选择一个 Detection...

平均多对象跟踪精度（AMOTP）是一种 Confidence-swept 定位指标：它在配置的 Recall Operating Point 上平均每个阈值对应的 MOTP。

平均跟踪准确率（ATA）是一种 VACE 指标：它按 Temporal Intersection over Union 全局匹配 Ground Truth 与预测 Track，再用两侧平均轨迹数归一化...

平方根卡尔曼滤波（Square-Root Kalman Filter）是一类直接传播状态不确定性矩阵因子、而非反复更新完整协方差矩阵的卡尔曼滤波实现。

平衡准确率（Balanced Accuracy）是对每个已声明类别分别计算召回率后取不加权平均，使各类别不受样本支持度大小影响而拥有相同贡献。

并行回火（Parallel Tempering）是一种群体马尔可夫链蒙特卡洛方法，它在不同温度下运行多个副本并交换状态，使目标温度链能够穿越分离模态。

广义最优子模式分配指标（GOSPA）是一种有限集合间的未归一化距离，把截断的定位误差与漏失对象、虚假对象的显式罚项合并到统一评测中。

广义标签多伯努利滤波（GLMB Filter）是一种标签随机有限集跟踪方法，其 Posterior 是对象 Label Set 与 Association History 上的加权 Mixture，并...

序列化是将内存中的数据结构或对象转换为线性格式的过程，便于存储到文件、数据库或通过网络传输。常见格式包括 JSON、XML、YAML 和 Protocol Buffers。逆向过程称为反序列化，用于还...

序贯蒙特卡洛（SMC）是一类使用加权粒子逼近一系列概率分布，并通过传播、重加权、重采样及可选再生步骤更新粒子群的算法。

应用程序接口是一组规则、协议和工具，允许不同的软件应用程序相互通信。它定义了软件组件应如何交互，使开发人员能够访问其他服务的功能或数据，广泛应用于第三方服务集成、微服务架构和移动应用后端通信等场景。

延迟（Latency）是 AI 系统中两个明确事件之间经过的墙钟时间，例如客户端发起请求到收到首个内容 Token、最终响应或完整工具结果。

开放授权（OAuth）是一种开放标准授权协议，允许用户授权第三方应用访问其资源而无需共享密码。它通过访问令牌实现安全的委托访问，广泛应用于社交登录（如使用 Google/GitHub 登录）、API ...

开放权重模型（Open-Weight Model）是按发布条款提供训练后参数下载的 AI 模型，但不一定同时提供完整训练代码、数据说明，或符合开源 AI 所要求的不受限制使用、研究、修改和分享权利。

异质性处理效应（Heterogeneous Treatment Effects，HTE）是 Treatment 的因果 Effect 在协变量定义的人、群体、场景或时间范围之间存在系统性差异，而非围绕...

引用溯源（Citation）是把 AI 生成主张映射到用于支持它的具体来源片段、记录或工具结果，并保留足以重新获取和检查该证据的来源信息。

张量并行（Tensor Parallelism）是一种层内模型并行策略：把一个 Tensor Operation 及其参数切分到多个加速器，再通过 Collective Communication 合...

弱监督学习（Weak Supervision）是一组使用不完整、粗粒度、含噪、不确定或由不完美来源生成的训练信号，而不是依赖大规模逐样本完全验证标签的学习设置。

强化学习（Reinforcement Learning，RL）是一种机器学习范式：智能体从环境交互或日志经验中学习连续决策策略，目标是在给定环境和时间范围内最大化期望累积奖励。

归因修补（Attribution Patching）是激活修补的一阶近似：在受损激活处计算标量指标梯度，再与“干净激活减受损激活”的差做内积，估计把该内部状态替换为干净值会怎样改变指标。

径向基函数核（RBF Kernel）是一种按照两个输入间平方欧氏距离，以 `exp(-gamma ||x-y||^2)` 计算相似度的正定 Kernel。

循环神经网络（RNN，Recurrent Neural Network）是一类按顺序处理数据的神经网络，在每一步把共享参数应用于当前输入与前一隐状态，并产生新的状态及可选输出。

微调（Fine-tuning）是从预训练模型检查点出发，在目标数据和明确训练目标上继续优化部分或全部参数，从而改变模型在任务、领域或行为上的表现。

思维链（Chain-of-Thought，CoT）是一种提示技术，引导模型在最终答案前生成自然语言中间步骤。这些文本可能改善部分多步任务，但不保证步骤正确，也不保证忠实呈现模型的内部计算。

情感分析是把预先声明的情感表示（如极性或效价）分配给指定文本单位和观点目标的 NLP 任务；只有同时说明标签体系、标注政策、语言、领域与评测协议，结果才具有明确含义。

成员推断攻击（Membership Inference Attack）是一类隐私攻击：利用模型输出、内部状态或训练更新，判断某条指定记录是否属于目标训练数据集。

截断奇异值分解（Truncated SVD）是只计算或保留矩阵最大的若干奇异值及其左右奇异向量，以构造有限秩近似的矩阵分解方法。

扩展卡尔曼滤波（Extended Kalman Filter）是一种非线性状态估计器，它让均值经过非线性动力学传播，并用局部一阶 Jacobian 近似协方差与量测更新。

扩散 Transformer（DiT）是一种基于 Transformer 的去噪或速度预测骨干，把通常来自含噪图像潜变量的空间输入表示为 Patch Token，并根据扩散或流时间步及其他条件处理这些...

扩散映射是一种非线性降维方法，它把样本 Affinity 转换为 Markov Transition Operator，并使用按所选 Diffusion Time 加权的 Eigenfunction ...

扩散模型是一类生成模型：它学习从带噪数据回到数据分布的逆向去噪转移。具体输出取决于检查点、噪声计划、参数化、采样器、条件输入和推理设置。

拉普拉斯特征映射是一种非线性降维方法，它构建加权邻域图，并以图拉普拉斯的低频特征向量作为坐标，使连接权重较大的样本在低维空间中保持接近。

拉普拉斯近似（Laplace Approximation）是在一个众数处用高斯分布局部近似光滑概率分布，并由该点附近的曲率确定协方差的方法。

拒答正确性（Refusal Correctness）是一项评估属性，用于在明确语料、授权范围、证据充分性规则和响应策略后，衡量 RAG 系统是否回答可回答请求，并拒绝不可回答请求。

持有者令牌是 HTTP 认证中使用的一种访问令牌类型，客户端出示令牌以访问受保护的资源。术语 'bearer' 意味着持有令牌的任何一方都可以使用它来访问资源，而无需额外的身份证明。

指令微调（Instruction Tuning）是一种监督微调方法，它在由指令表达的任务和目标回答上继续训练预训练模型，目标是改善指令遵循和跨任务族迁移能力。

排列特征重要性（PFI）是一种模型检查方法，通过在选定数据集上打乱一个特征的取值，测量已拟合模型评估指标的变化。

推测解码（Speculative Decoding）是一种自回归推理方法：低成本机制先提出多个未来 Token，目标模型并行评分，再按照明确验证规则接受前缀或执行修正。

推荐系统是利用可用的内容、交互、策略和运行信号，从大规模候选库中为某个用户或场景选择并排序有限物品的决策系统。

提示词是一次生成式 AI 推理中提供给模型的完整输入上下文，由适用指令、用户数据、对话状态、示例、工具定义和输出要求共同组成。

提示词 CI/CD（Prompt CI/CD）是对影响大模型应用行为的变更进行受控集成、评测、发布、监控和回滚的工程实践。

提示词回归测试（Prompt Regression Test）是一种可重复评估，用于将候选提示词或 LLM 应用配置与固定基线比较，在发布前发现先前已支持行为出现的不可接受退化。

提示词工程是针对特定模型与应用运行时，系统设计、版本化并评测指令、上下文、示例和输出契约，以获得可验证目标行为的工程实践。

提示词模板（Prompt Template）是把固定指令与经过校验的运行时变量组合起来、生成可复现模型请求的版本化渲染契约。

提示词版本管理（Prompt Versioning）是跟踪提示词源码历史，并用不可变清单把每个大模型行为发布与其运行时依赖绑定的工程实践。

支持向量回归（SVR）是一种监督回归方法，它在寻找正则化函数的同时忽略位于 ε 宽容差管道内的残差，只惩罚超出管道的偏差。

支持向量机（SVM）是一种监督学习方法，它在类别之间选择具有较大间隔的决策边界，并把约束该间隔的训练样本作为支持向量。

数据URL是一种 URI 方案，允许将小型数据项内联嵌入到网页文档中，就像它们是外部资源一样，使用 Base64 编码将二进制数据直接表示在 URL 字符串中。

数据投毒（Data Poisoning）是一类训练阶段的完整性或可用性攻击：攻击者控制部分用于拟合或更新机器学习模型的数据，使最终学到的行为服务于攻击目标。

数据集策划（Dataset Curation）是依据明确的模型训练或评测目标，对数据进行选择、转换、标注、切分、记录与效果验证的治理过程。

文本生成视频（Text-to-Video）是一类把自然语言 Prompt 及可选控制条件映射为合成帧序列的生成式 AI 任务，画面内容及其随时间发生的变化由模型联合生成。

文档分块（Chunking）是把长文档或数据源切分为较小可检索单元的过程，这些单元需要保留足够语义上下文，以支持向量嵌入、索引、检索和有依据生成。

文档加载器（Document Loader）是面向数据源的摄取组件，从文件、网页、对象存储、数据库、SaaS 系统或 API 读取内容及来源元数据，并返回供下游处理的标准化文档对象。

文档转换器（Document Transformer）是把一个或多个已加载文档转换为零个或多个派生文档的管线组件，在索引前执行清洗、结构重组、增强、过滤、脱敏或分块。

文生图是一类把自然语言 Prompt 及可选控制条件映射为一个或多个合成图像样本的生成式 AI 任务。

断点回归设计是一种准实验设计：当处理分配或处理概率在已知阈值处不连续，而处理与未处理潜在结果随运行变量连续时，它可以识别断点附近的局部因果效应。

无掉头采样器（NUTS）是一种自适应哈密顿蒙特卡洛算法，它构造可逆轨迹，并在继续运动开始折返已探索区域时停止扩展。

无监督学习是在没有任务目标标签的输入数据上优化结构发现目标，并输出表示、聚类、成分、密度或异常分数，其含义仍需独立验证的机器学习范式。

无迹卡尔曼滤波（Unscented Kalman Filter）是一种非线性高斯状态估计器，它让确定性加权 Sigma Point 经过状态转移与观测函数，以近似后验矩。

时区是地球上采用统一标准时间的区域，以与协调世界时（UTC）的偏移量表示。全球划分为 24 个主要时区，部分地区实行夏令时。在软件开发中，正确处理时区对于跨地区调度、日志记录和国际化应用至关重要。

时变混杂是纵向数据中的一种混杂结构：某个变量会影响后续处理与结局，随随访过程变化，并且还可能受到既往处理影响。

时间戳是标识事件发生确切时刻的编码信息，常见格式包括 Unix 时间戳（自1970年以来的秒数）和 ISO 8601 字符串。它广泛用于日志记录、数据库追踪、API 计时和分布式系统的事件排序，是确保...

智能体工作流（Agentic Workflow）是把部分运行时决策委托给一个或多个 AI Agent，同时由可信 Orchestrator 强制执行允许拓扑、身份、工具、状态、预算、审批、副作用、停止...

有效样本量（Effective Sample Size）是一类诊断指标：使用与抽样过程匹配的公式，把加权或相关样本的信息量表示为理想等权独立观测的大致等价数量。

期望改进（Expected Improvement）是一种采集函数，它用候选点超过指定当前最优值或目标阈值的正向改进量之后验期望进行评分。

期望校准误差（ECE）是一种分箱估计量，用于汇总各组预测中平均模型置信度与真实准确率或事件发生频率之间的加权绝对差异。

机制可解释性是识别训练后模型的内部表征、组件及其交互，并通过干预检验所提出机制能否因果解释特定行为的研究方法。

机器学习（Machine Learning，ML）是人工智能的一个领域：算法围绕明确任务和目标从数据中拟合模型，再用学到的关系对新输入执行预测、排序、结构发现、内容生成或动作选择。

机器遗忘（Machine Unlearning）是更新已训练机器学习系统的过程，目标是按声明标准移除或限制指定 Forget Set 的影响，同时保留模型在 Retained Data 上的有效行为。

条件平均处理效应（Conditional Average Treatment Effect，CATE）是在给定 Treatment 前协变量时，Treatment 与 Comparator 下 Pot...

条形码是一种机器可读的数据表示形式，通过平行线条（一维条码如 UPC、EAN）或几何图案（二维条码如二维码）编码信息。广泛应用于零售结账、库存管理、物流跟踪和身份验证，可通过扫描设备或智能手机快速读取...

查询字符串是 URL 中问号（?）之后的可选查询组件。它的具体语法由应用定义，Web 应用通常把它解释为经过编码的名称和值。

查询改写（Query Rewriting）是一种检索前转换，它把用户请求和允许使用的上下文转换为一个或多个搜索查询，同时保留原始意图、实体、约束和授权范围。

标准化互信息（NMI）是把两套硬聚类分配之间的互信息除以已声明的熵函数，用于衡量划分信息一致性的对称指标。

标准输入输出传输（STDIO Transport）是 Model Context Protocol 的一种传输方式，由 MCP 客户端启动服务器子进程，将协议消息写入服务器标准输入，并从其标准输出读取...

标签偏移（Label Shift）是一种分布变化假设：源域与目标域的类别先验不同，即 `P_source(Y) != P_target(Y)`，但类别条件输入分布保持稳定，即 `P_source(X|...

标签多伯努利滤波（LMB Filter）是一种多对象跟踪方法，为每个潜在对象表示唯一 Label、存在概率和条件状态密度，并把标签化 Bayesian Update 近似为独立 Bernoulli 分...

校验和是通过数学算法从原始数据计算得出的固定长度数值，用于检测数据在传输或存储过程中是否发生错误或篡改。常见算法包括 CRC、MD5 和 SHA 系列，广泛应用于文件下载验证、网络协议和数据备份等场景...

核主成分分析（Kernel PCA）是在正半定 Kernel 定义的隐式特征空间中执行主成分分析的非线性降维方法。

核均值嵌入（KME）把概率分布表示为其样本特征映射在再生核希尔伯特空间中的期望，从而通过 Kernel Evaluation 计算期望与分布比较。

核岭回归（KRR）是一种监督回归方法，它最小化平方预测误差与 RKHS Norm Penalty，并通过训练样本 Kernel Evaluation 的加权展开生成预测。

核技巧（Kernel Trick）是一种以 Kernel Function 计算隐式 Feature Space 内积的技术，使兼容算法无需构造全部特征坐标，也能表达非线性关系。

梯度下降是一阶优化方法，通过反复从参数中减去目标函数梯度与正步长的乘积，利用局部斜率信息寻找更低的目标函数值。

梯度反演攻击（Gradient Inversion Attack）是一类隐私攻击：利用分布式、联邦或协作训练中暴露的 Gradient 或 Model Update，重建产生这些更新的私有输入、标签、...

检索器（Retriever）是查询到证据的组件，根据明确的搜索契约返回可排序、可归因的候选，或向下游 RAG 与 Agent 阶段报告显式失败。

检索增强生成是一种在推理时检索外部证据，并把筛选后的上下文交给生成模型，使回答能够依据知识、及时更新和追溯来源的 AI 架构。

椭圆切片采样（Elliptical Slice Sampling）是一种面向多变量高斯先验潜变量的马尔可夫链蒙特卡洛方法，它沿椭圆搜索满足似然切片阈值的新状态。

概念漂移（Concept Drift）是条件目标关系 `P_t(Y|X)` 随时间变化，使同一类输入在不同时间可能不再对应相同目标映射。

概念激活向量测试（TCAV）是一种事后可解释方法：它在模型激活空间中学习人类定义概念的方向，并测量目标输出沿该方向具有局部敏感性的样本比例。

概念瓶颈模型（CBM）是一类把输入映射为明确的人类可解释概念变量，再从这些概念计算目标预测的架构，从而形成可检查并可能由用户修正的中间接口。

概念白化（Concept Whitening）是一种内生可解释技术，它用白化与学习到的正交旋转替换模型中的归一化层，使选定潜在坐标轴在训练期间与预定义的人类可解释概念对齐。

概率假设密度滤波（PHD Filter）是一种随机有限集滤波近似：它传播多对象 Posterior 的一阶 Moment，使其积分表示期望对象数，峰值表示可能的对象状态。

概率数据关联滤波（PDAF）是一种 Bayesian 跟踪近似：它用概率加权组合一个已知目标的全部有效量测假设与漏检假设，得到状态更新。

模型反演攻击（Model Inversion Attack）是一类隐私攻击：结合对训练模型的访问与辅助知识，推断模型编码的敏感属性、代表性输入或训练样本。

模型对齐是让 AI 系统在明确的安全、权限和可靠性边界内执行预期行为的持续工程与研究工作，覆盖提示词、工具、数据和运行条件变化时的行为约束。

模型推理（Model Inference）是使用已训练模型处理新输入，产生预测、分数、Embedding、分类或生成结果，并且在该请求中不主动更新模型参数的执行过程。

模型服务化（Model Serving）是加载版本化模型制品、通过明确接口执行推理，并在真实流量下保持行为可用、可观测和可控制的生产系统与运维实践。

正值性假设（Positivity Assumption）是因果识别条件：对目标人群中需要估计 Effect 的每个协变量特征，被比较的每种 Treatment 都必须具有非零发生概率。

正则表达式（Regex）是定义搜索模式的字符序列，用于字符串中的模式匹配。它使用元字符、量词和分组等语法定义复杂的匹配规则，广泛应用于表单验证、文本搜索替换、数据提取、日志分析和输入过滤等场景。

每秒 Token 数（Tokens per Second）是必须由 Token 类型、统计范围和计时区间共同限定的速率，例如单请求 Decode 输出速率或整个服务的聚合输出 Token 吞吐。

汤普森采样（Thompson Sampling）是一种随机化序贯决策策略，它从当前后验抽取一个可能模型，并选择在该抽样模型下最优的动作。

泊松多伯努利混合滤波（PMBM Filter）是一种 Bayesian 多对象跟踪方法，用 Poisson Point Process 表示从未检测的对象，并用 Bernoulli 航迹假设的 Mix...

注意力机制（Attention Mechanism）是一种可微计算：它对允许访问的 Query-Key 位置对打分并归一化，再用所得权重组合 Value，生成依赖上下文的输出表示。

流形学习是一组假设高维观测采样自或接近某个低维几何结构，并寻找保留该结构特定性质之坐标的非线性表示方法。

测试时计算（Test-Time Compute）是指在不更新基础模型权重的前提下，通过更长轨迹、多候选采样、部分解搜索、验证或迭代修订，为单个问题显式分配额外推理计算。

深层高斯过程（Deep Gaussian Process）是一种层级概率模型，它组合多个高斯过程映射，让每一层接收上一层带有不确定性的潜在输出，而不是固定的确定性表示。

深度学习（Deep Learning）是一类机器学习方法，通过组合多层参数化变换，通常是神经网络层，在显式目标约束下从数据中共同学习表示与任务输出。

深度感知视频全景分割（DVPS）是一项稠密视频感知任务，它联合预测逐 Pixel Depth、Semantic Class 与跨帧保持一致的 Thing-instance Identity。

深度感知视频全景质量（DVPQ）是一种联合指标，它先屏蔽 Relative Depth Error 超过阈值的 Panoptic Prediction Pixel，再在声明的时间窗口上应用 Video...

深度核学习（Deep Kernel Learning）是一种把有效核应用于神经网络表示的建模方法，通常将学习到的特征与高斯过程推断结合起来。

深度集成（Deep Ensembles）是为同一预测任务训练多个不同神经网络成员，并在推理时组合成员结果以形成聚合预测分布的方法。

混合专家模型（Mixture of Experts，MoE）是一种条件计算架构，由可学习或固定的路由策略为每个输入选择部分专家子网络，并组合这些专家的输出。

混杂（Confounding）是 Treatment Assignment 与 Outcome 的共同原因存在分布差异，导致观测到的 Treatment-Outcome Association 不能代...

混淆矩阵（Confusion Matrix）是按真实类别与预测类别组织的交叉表，每个评测样本只进入一个单元格，从而显示分类器正确识别了哪些类别，又把哪些类别相互混淆。

温度参数是解码阶段的控制参数，它在 Softmax 前除以下一 Token 的 Logits；正温度较低时概率分布更集中，较高时概率分布更平坦。

潜在结果（Potential Outcomes）是一个 Unit 在每个定义清晰的 Treatment 或 Intervention 水平下会出现的结果，无论该处理是否真正发生；它为因果效应定义提供形...

激活修补是在两个受控模型运行之间替换指定内部激活，并测量该替换如何改变预定义输出行为的因果干预方法。

激活引导是在不更新模型权重的前提下，于推理时沿选定方向或子空间修改模型内部激活，以增强、减弱或控制某项可测量行为的干预方法。

灾难性遗忘（Catastrophic Forgetting）是模型按顺序学习新数据、任务、领域或目标后，在先前学会的任务或能力上出现显著性能下降的现象。

特异度（Specificity）是真实负例中被分类器正确预测为负类的比例，公式为 `TN/(TN+FP)`，也称真负率（True Negative Rate）。

特征可视化（Feature Visualization）是一类可解释性方法，通过检查高激活真实样本，或合成能够优化指定激活目标的输入，刻画神经网络单元、通道、层、类别或特征方向响应什么模式。

状态空间模型（State Space Model，SSM）用隐状态表示动态系统或序列；每一步根据前一状态和当前输入更新状态，再把状态映射为输出。在神经序列模型中，这类递推可以提供线性序列处理，并在自回...

生成对抗网络是一类隐式生成模型：生成器负责产生样本，判别器负责估计样本来自训练分布还是生成器，两个网络通过相互耦合的博弈目标进行训练。

生成式 AI 是一类学习数据概率分布，并根据提示词或其他条件生成候选文本、图像、音频、视频、代码或结构化记录的模型与系统。

监督学习是使用带标签样本，从输入拟合到明确目标值的函数，并评估该函数能否泛化到预期上线人群中未见样本的机器学习范式。

监督微调（SFT）是一种微调方法，它在带标签的输入与目标样本上继续训练预训练模型，通过最大化指定目标 Token 的似然来调整模型行为。

监督智能体（Supervisor Agent）是多 Agent 系统中的集中式控制循环角色，负责维护共享任务状态、向专业 Agent 委派有边界的工作、评估返回证据，并决定继续、重试、升级还是终止。

目标试验模拟（Target Trial Emulation）简称 TTE，是一种研究设计框架：先规定假想随机试验的入组标准、处理策略、分配程序、时间零点、随访、结局、因果对比与分析方案，再用观察性数据...

直接 Logit 归因是一种机制可解释性方法，把各残差流组件的输出投影到指定反嵌入方向或 Logit 差方向，以估计每个组件对该输出指标的直接加和贡献。

知识图谱是对实体、关系和主张进行连接式表示的知识模型，通常包含显式标识、来源谱系与领域语义。它可以采用 RDF 三元组、属性图或其他存储模型，并不等同于图数据库。

知识蒸馏（Knowledge Distillation）是一种让学生模型学习教师模型所产生信号的训练方法，信号可以是概率分布、Logit、中间表示、样本关系或生成回答，常用于构建更小或成本更低的模型。

视觉语言模型（VLM）是通过训练连接视觉与语言表示，并在图像或视频与文本之间执行检索、分类、定位、理解或生成任务的模型。

视频全景分割是一项稠密视频理解任务，它为每个有效像素分配语义类别与非重叠 Segment Identity，并让 Thing Instance 的身份跨帧保持一致。

视频全景质量（VPQ）是一种窗口化视频全景分割指标，它把具有一致 Semantic Class 与 Instance ID 的 Segment 组成时空 Tube，再对 Tube 应用 Panopti...

神经网络是一种由相互连接的计算层表示的参数化函数。每层使用学习得到的权重与偏置变换向量，并常接非线性激活；训练根据目标函数调整参数，评测则判断这种行为能否泛化到训练数据之外。

离策略评估（Off-Policy Evaluation）是在不先部署目标策略的情况下，使用另一条 Behavior Policy 或 Logging Policy 采集的历史结果，估计 Target ...

积分梯度（Integrated Gradients）是一种特征归因方法，把指定模型输出沿基线到真实输入路径的梯度积分，与各特征相对基线的差值相乘。

稀疏检索（Sparse Retrieval）是一族第一阶段搜索方法，它用只有少量非零坐标的高维向量表示查询和文档，再根据重叠坐标及其权重排序候选。

稀疏自编码器是通过只允许少量潜变量激活来重建输入的编码器—解码器模型，常用过完备字典从神经网络激活中恢复候选特征。

稀疏高斯过程（Sparse Gaussian Process）是一类近似方法，它通过较小的诱导变量集合或结构化特征表示高斯过程，而不在稠密协方差计算中保留每个训练函数值。

稠密检索（Dense Retrieval）是一种第一阶段搜索方法，它把查询和文档编码为紧凑数值向量，再按声明的向量相似度或距离函数排序候选。

空白字符是文本中表示空间但渲染时不可见的字符，包括空格、制表符、换行符和回车符等。它们在代码缩进、文本格式化和数据解析中起关键作用，某些编程语言如 Python 和 YAML 依赖空白字符定义语法结构...

等距映射（Isomap）是通过邻域图最短路径估计流形测地距离，再用经典多维尺度分析嵌入这些距离的非线性降维方法。

答案忠实度是一项 RAG 评估属性，用于在明确的主张拆分与蕴含判断协议下，衡量生成答案中的事实主张有多大比例得到模型实际收到的上下文支持。

答案正确性（Answer Correctness）是一项评估属性，用于衡量生成答案中的事实主张或任务结果是否符合预先声明的可信参考、可执行判定器或经过裁决的标准答案。

答案相关性（Answer Relevance）是一项评估属性，用于衡量生成回答是否直接且充分地回应用户问题、搜索意图和必要要点，同时避免被无关内容主导。

策略学习是估计一条从处理前上下文映射到行动的规则，以最大化可识别的期望回报或福利目标，并可同时满足容量、成本、风险或公平约束。

算法公平（Algorithmic Fairness）是一种社会技术实践：在明确用途、人群与问责流程下，定义、测量并治理自动化决策系统如何向受影响者分配收益、错误与负担。

粒子滤波（Particle Filter）是一类序贯蒙特卡洛算法，它随观测到达不断更新带权粒子，以近似状态空间模型当前时刻的滤波分布。

粒子马尔可夫链蒙特卡洛（Particle MCMC）是一类把粒子滤波或条件序贯蒙特卡洛嵌入 MCMC 的方法，用于推断状态空间模型的参数与潜状态后验。

精确率-召回率曲线（PR Curve）是在扫描分类分数阈值时，以召回率为横轴、精确率为纵轴，展示正类覆盖率与正向预测可靠性取舍的曲线。

精确率与召回率（Precision and Recall）是互补的分类指标：精确率表示预测正例中真正例的比例，召回率表示真实正例中被分类器检出的比例。

系统提示词（System Prompt）是由模型供应商定义权限语义、用于规定持久行为、任务范围、工具策略、响应规则和低优先级输入处理方式的高权限指令层。

红队测试（Red Teaming）是一种经过授权的结构化对抗评估，通过尝试触发有害、不安全、违反策略或非预期行为，检验 AI 系统及其运营环境的真实边界。

约束解码是一种在大模型推理时过滤下一 Token 候选的技术，使已生成文本始终满足指定的 Schema、语法、正则表达式或有限选项集合。

纪元时间（也称为 Unix 时间、POSIX 时间或纪元秒）是一种时间表示系统，将时间点表示为自 1970 年 1 月 1 日 00:00:00 UTC 以来经过的秒数（不计闰秒）。

索引器（Indexer）是把处理后的文档转换为持久化检索记录，并将文本、向量嵌入、稀疏特征、元数据或关系写入一个或多个可搜索存储的管线组件。

累积局部效应（ALE）是一种全局模型检查方法：在有数据支持的特征区间内平均预测差分，将局部效应逐段累积并中心化，以描述已拟合模型的特征响应。

线性探针（Linear Probing）是一种表征分析方法：冻结来源模型，以其内部激活为特征训练线性分类器或回归器，并在明确的数据、特征、优化与评价协议下测量指定信息是否可以被线性解码。

结构化查询语言是管理关系数据库的标准化语言，采用声明式语法执行数据查询、插入、更新和删除操作。SQL 支持复杂的多表连接、聚合分析和事务处理，具备 ACID 属性保证数据一致性，是后端开发、数据分析和...

结构化输出（Structured Output）是一种 LLM 推理能力，它让响应遵循声明的机器可读契约，通常是供应商支持的 JSON Schema 子集，使应用代码能够稳定解析结果。

结构因果模型（Structural Causal Model）简称 SCM，是一组自主结构赋值组成的形式系统，它把外生背景变量和因果父节点映射为内生变量，从而显式支持观测、干预与反事实推理。

统一资源定位符是 URI 的子集，提供了在互联网上定位和访问资源的完整地址。它由协议（如 https）、域名、端口、路径、查询参数和片段标识符组成，是 Web 浏览、API 请求和超链接的基础寻址机制...

统一资源标识符是遵循 RFC 3986 标准的字符串，用于唯一标识互联网或系统内的资源。它包含方案、主机、路径等组件，是 URL 和 URN 的统称。URI 构成了 Web 架构的基础，广泛用于 AP...

网络剖析（Network Dissection）是一种事后可解释方法，通过比较单个隐藏单元的阈值空间激活图与像素级概念掩码，量化该单元与人类标注视觉概念的对齐程度。

置信度校准（Confidence Calibration）是让模型声明的概率，在已定义的预测目标、标签、评测人群与协议下，与真实结果出现频率保持一致的属性和处理过程。

聊天机器人是通过文本、语音或其他界面与用户交换连续对话轮次的软件系统。它可以使用固定规则、检索、分类器、语言模型、工具或其组合；能够对话不代表系统就是自主 Agent。

聊天模板（Chat Template）是一种模型专属的序列化契约，用于把结构化消息、角色、工具交互和多模态内容转换为聊天模型实际接收的文本或 Token 序列。

联合概率数据关联滤波（JPDAF）是一种多目标跟踪近似：它为可行的联合量测到航迹分配计算概率，按航迹边缘化这些事件，再对各状态更新做矩匹配。

联邦学习（Federated Learning）是一种分布式机器学习方法：客户端在本地数据上训练，并发送模型更新或其他任务特定消息，经聚合形成共享模型，而不把原始数据集中到同一处。

自动回路发现（ACDC）是一种基于干预的机制可解释性算法，从模型计算图出发，贪心剪除移除后对指定任务指标影响低于阈值的边。

自动驾驶（Autonomous Driving）是一种使车辆能够在无需人工干预的情况下自主导航和运行的技术，它结合了传感器、人工智能和控制系统。自动驾驶涵盖了 SAE 国际定义的各种自动化级别，从 L...

自然语言处理（NLP）是研究如何用计算方法分析、表示、检索、转换或生成人类语言的领域，既包括规则、统计和神经网络方法，也包括它们组成的混合系统，而不是某一种模型架构。

自监督学习（Self-Supervised Learning）是一种从原始数据的结构、上下文、变换或多个视图中构造监督信号，而不要求每条训练样本都具备人工任务标签的学习范式。

自适应 MCMC 是一类采样算法，它利用运行期间收集的信息更新马尔可夫转移参数，同时约束适应过程以保持目标分布有效。

蒙特卡洛 Dropout（Monte Carlo Dropout）是在推理时采样 Dropout Mask，对固定已学习权重执行多次前向传播，再汇总预测分布的不确定性估计方法，常缩写为 MC Drop...

规划器-执行器（Planner-Executor）是一种 AI Agent 架构：先为目标创建版本化、机器可读的计划，再由独立组件执行并校验有界步骤，同时保留策略、状态、预算、审批和重规划控制。

解码阶段（Decode Phase）是 Prefill 之后的自回归 LLM 推理阶段，系统不断接受输出 Token、扩展序列与可复用模型状态，直到满足停止条件。

计算机视觉是研究如何从图像、视频、深度、医学扫描或点云等视觉测量中抽取、估计或生成任务相关表示的计算领域。

认知不确定性（Epistemic Uncertainty）是在明确假设空间、先验知识和证据集下，对预测机制、参数、表示或模型选择仍然存在的未知。

训练数据（Training Data）是学习过程在拟合模型参数或表示时，被允许使用的版本化样本、监督信号及配套元数据集合，并服务于明确的训练目标。

语义搜索是一种利用学习得到的表示寻找与查询含义相关文档的信息检索方法，通常只是完整流水线的一环，还需结合词法检索、过滤、融合、重排与评测。

语义缓存是一种先对请求生成向量、查找足够相似的历史请求，并在策略与元数据边界同时匹配时复用已有回答的缓存。

语音识别（Speech Recognition），又称自动语音识别（ASR）或语音转文本（STT），是把口语音频转换为文本假设的技术。系统根据音频信号估计词或 Token，并在明确的语言、领域、声学环...

误差状态卡尔曼滤波（Error-State Kalman Filter）是一种扩展卡尔曼滤波形式：用非线性模型传播名义状态，同时估计局部误差状态及其协方差。

诱导点（Inducing Points）是经过选择的位置，其潜在函数值作为一组紧凑诱导变量，用于近似高斯过程中的依赖关系。

课程学习（Curriculum Learning）是一种按照已声明的难度或学习进展，在训练过程中改变样本、任务或模型容量的分布、权重或可用性的策略。

调整兰德指数（ARI）是比较两个硬划分时，统计样本对是否同时归为一组或同时分开，并扣除固定边际随机模型下期望一致程度的对称指标。

谱聚类（Spectral Clustering）是使用相似图拉普拉斯矩阵的特征向量嵌入样本，再对低维行向量进行划分的图聚类方法。

贝叶斯优化（Bayesian Optimization）是一种序贯、基于模型的优化方法，通过持续更新昂贵黑盒目标的概率代理模型，并用采集函数选择下一次评估位置。

贝叶斯求积（Bayesian Quadrature）是一种概率数值积分方法，它为未知被积函数设置先验（通常是高斯过程），再根据函数评估得到积分的后验分布。

贝叶斯神经网络（Bayesian Neural Network）是对选定参数或函数设置先验分布，用观测数据更新为后验分布，并通过在后验上边缘化形成预测的神经网络模型。

超文本传输协议是万维网的基础协议，定义了消息如何在 Web 浏览器和服务器之间格式化和传输。它是一种无状态的应用层协议，能够检索链接的资源。

超文本标记语言是用于创建网页和 Web 应用程序的标准标记语言，使用尖括号包围的标签定义文档结构和内容。HTML5 引入了语义元素、原生多媒体支持和丰富的 API，与 CSS 配合实现样式设计，与 J...

跨域资源共享是一种安全机制，允许 Web 浏览器向与提供网页的域不同的服务器发出请求。它使用 HTTP 头来告诉浏览器应该允许哪些跨源请求。

路径修补（Path Patching）是一种机制可解释性干预方法，只改变指定发送组件传给指定接收组件的贡献，并把其他建模路径保持在参考状态，以检验某条边或路径。

路由智能体（Router Agent）是一种 AI 辅助或确定性的路由组件，它在明确的候选目录、决策策略和降级契约下，把请求映射到一个或多个经过授权的执行路径。

身份 F1 分数（IDF1）是在 Ground Truth 与预测身份之间完成序列级一对一 Assignment 后，Identification Precision 与 Identification...

轨迹势概率假设密度滤波（TCPHD Filter）是一种 Assumed-density 多对象跟踪方法，在 IID Cluster Approximation 下同时递推 Trajectory In...

轨迹完整度与碎片化是一组 Trajectory Diagnostic：它按每个 Ground Truth Identity 的已匹配生命周期比例分类，并统计成功跟踪被打断后又恢复的次数。

轨迹平均精确率（Track mAP）是一种置信度排序的 Tracking Metric：它按声明的 Track Similarity Threshold 匹配预测与 Ground Truth Traj...

轨迹广义最优子模式分配指标（T-GOSPA）是一种有限轨迹集合之间的数学距离，把定位、漏失目标、虚假目标与 Track Switch 成本合并到统一的多对象跟踪评测中。

轨迹概率假设密度滤波（TPHD Filter）是一种 Assumed-density 多对象跟踪方法，通过 Poisson Multi-trajectory Approximation 在轨迹随机有限...

轨迹泊松多伯努利混合滤波（TPMBM Filter）是一种 Bayesian 多对象跟踪方法，在轨迹随机有限集上用 Poisson Multi-Bernoulli Mixture Density 表示...

轨迹随机有限集（Random Finite Set of Trajectories）是一种以完整有限轨迹为元素的集合值随机变量，可在不引入任意标签的情况下，对不确定的新生、消亡、状态与关联进行 Bay...

转义字符是一种触发后续字符进行替代解释的特殊字符，通常以反斜杠开头。它用于在字符串中表示换行符、制表符等不可打印字符，或表示引号、反斜杠等原本具有特殊含义的字符，广泛应用于编程语言、JSON、正则表达...

轮廓系数（Silhouette Score）是比较每个样本到本簇的平均距离与到最近其他簇的平均距离，用于评估聚类内部几何质量的指标。

边际结构模型是描述指定处理干预下反事实结局边际分布或均值的模型，常通过逆概率加权消除已测量处理与混杂历史之间的关联来估计。

过拟合（Overfitting）是一种泛化失败：模型或模型选择流程对有限训练数据、验证数据适配得过于具体，以至于它在目标分布的新数据上反而不如适配程度较低的候选方案。

连续批处理（Continuous Batching）是一种 LLM 服务调度模式，它会在模型迭代边界准入、推进、暂停或结束请求，而不是固定一组请求并等待所有序列完成。

迭代扩展卡尔曼滤波（Iterated Extended Kalman Filter）是一种在单次更新内部反复重线性化非线性量测模型、以改进后验状态估计的扩展卡尔曼滤波变体。

退火重要性采样（Annealed Importance Sampling）是一种蒙特卡洛方法，它让粒子依次经过中间分布并累乘增量重要性权重，以估计两个归一化常数之比。

适配器（Adapter）是依赖基座的可训练状态，用于在冻结大部分基座参数时改变预训练模型行为。该词既可能指插入式瓶颈模块，也可能泛指 LoRA 等 PEFT 组件或保存学习结果的 Checkpoint...

逆倾向评分（Inverse Propensity Scoring）是一种重要性加权估计器：把每个已观测结果乘以 Target Action Probability 与 Logging 或 Assign...

逆删失概率加权是一种为仍可观测个体赋予保持未删失概率倒数权重的方法，使这些随访记录能够代表已测量历史相似但已经失访的个体。

选择性预测（Selective Prediction）是一种把预测器与选择函数组合的决策框架：系统只接收部分输入并自动预测，对其余输入执行拒绝、转交或升级。

通用人工智能是指在多类认知任务与环境中具备广泛、可迁移能力的争议性 AI 概念；目前没有任何单一定义、Benchmark 或公认认证可以独立证明一个系统属于 AGI。

速率限制是一种控制客户端在指定时间窗口内可向 API 或服务发起请求数量的技术，保护系统免受过载和滥用，并确保所有消费者之间的资源公平分配。

遗憾（Regret）是一种序贯决策性能指标，它把学习器在同一时间跨度内积累的奖励或损失，与指定 Comparator 能取得的结果进行比较。

部件感知全景分割是一项层级图像理解任务，它为每个有效 Pixel 分配场景类别、可选对象实例身份，以及与父 Segment 绑定的可选部件类别。

部件感知全景质量（PartPQ）是一种类别平均指标，它评测 Panoptic Segment Recognition，并对有 Part Annotation 的类别衡量已匹配 Parent Segme...

部分依赖图（PDP）是一种全局模型检查方法：把一个特征或少量特征固定为选定值，让其余特征沿用参考数据，再展示已拟合模型的平均预测。

采集函数（Acquisition Function）是一种相对于真实目标较便宜的决策规则，它根据代理模型后验为一个或多个候选评估赋予效用，使序贯优化器能够选择下一步评估对象。

重排序（Reranking）是在已召回候选集合上，把 Query 与每个候选共同评分，再按任务需要重新排列候选的第二阶段排序操作。它通常位于关键词、稠密或混合检索之后，因为成对评分的成本高于独立建立文...

重要性采样（Importance Sampling）是一种测度变换方法：从 Proposal Distribution 抽取样本，再用 Target 与 Proposal 的密度比重加权，以估计 Ta...

量化是把模型权重、激活或 KV Cache 从高精度数值表示映射为低精度表示的过程，并明确缩放因子、零点和量化粒度。它可能减少存储、内存流量或计算开销，但不保证推理更快，也不保证模型行为满足生产要求。

链式编排（Chain Orchestration）是由代码定义模型、检索、工具、校验与转换步骤的执行顺序，并让每个步骤把类型化结果或显式失败传给下一阶段的 LLM 应用模式。其核心是应用控制流程，而不...

随机傅里叶特征（RFF）是一种随机显式 Feature Map，通过从平移不变正定 Kernel 的 Spectral Distribution 做 Monte Carlo Sampling，使映射后...

随机投影（Random Projection）是把向量乘以经过适当缩放的随机矩阵，并以高概率近似保留欧氏距离的随机化线性降维方法。

随机有限集（Random Finite Set）是一种集合值随机变量，其元素数量与元素取值都具有随机性，可在不引入任意顺序的情况下表示数量未知且随时间变化的多对象系统。

集合卡尔曼滤波（Ensemble Kalman Filter）是一种序贯数据同化方法，它让状态集合经过动态模型传播，并在 Kalman 风格的观测更新中使用样本协方差。

零样本学习是一组迁移与评测设定：在明确声明的协议下，模型没有目标评测类别的标注样本，或没有目标任务的 Prompt 示例，但仍要预测目标类别或完成目标任务。

预填充（Prefill）是 LLM 推理中处理请求内未缓存输入 Token、生成首个输出所需状态，并构建供后续解码复用的 KV Cache 或其他模型状态的阶段。

预测性平价（Predictive Parity）是一项群体公平标准，要求不同受保护群体具有相同正预测值，即获得正向预测的案例中，观测为真实正例的比例相同。

首 Token 延迟（TTFT）是客户端发送流式 LLM 请求后，到收到首个非空输出 Token 或包含 Token 的 Chunk 之间的耗时。

马修斯相关系数（MCC）是一种基于相关性的分类指标，使用混淆矩阵全部单元格衡量真实标签与预测标签的一致程度。

马尔可夫链蒙特卡洛（MCMC）是一类采样算法，它构造以目标分布为长期平稳分布的马尔可夫链，并利用链上的相关样本估计该分布下的期望。

高斯混合模型（GMM）是把观测分布表示为多个带权高斯成分之和，并为每条观测计算对各成分后验责任度的概率密度模型。

高斯过程（Gaussian Process）是一种随机过程，其在任意有限输入集合上的函数值都服从由均值函数和协方差函数指定的联合多元高斯分布。

高斯过程分类（Gaussian Process Classification）是一种贝叶斯分类模型，它为潜在函数设置高斯过程先验，再通过非高斯似然把该函数映射为类别概率。

高斯过程潜变量模型（GPLVM）是一种概率非线性降维模型，它把低维坐标视为高斯过程映射的潜在输入，并通过这些随机函数生成观测变量。

高斯过程状态空间模型（GPSSM）是一种概率动力学模型，它为未知的状态转移函数或观测函数设置高斯过程先验，并从序列数据中推断潜在状态轨迹。

高阶跟踪准确率（HOTA）是一种多对象跟踪得分：它在每个定位阈值下组合 Detection Accuracy 与高阶 Association Accuracy，再跨阈值求平均。

鲁棒聚合（Robust Aggregation）是一组在明确 Byzantine Threat Model 与统计假设下组合 Gradient 或 Model Update，并限制故障、损坏或恶意参与...

黄金数据集（Golden Dataset）是经过版本管理和人工审阅的评测集，其中每个用例都为明确的模型或 AI 系统决策绑定代表性输入、可辩护的判定基准（Oracle）、来源与切片元数据。