什么是隐马尔可夫模型（Hidden Markov Model, HMM）？
隐马尔可夫模型（Hidden Markov Model, HMM）是一种基于概率的序列建模方法，用于描述一个系统在隐藏状态下的演变过程，其中隐藏状态不可直接观测，但会生成可观测的输出序列。该模型的核心在于马尔可夫性质，即当前隐藏状态仅依赖于 […]
分类： 产品术语
什么是CRF层？
CRF（条件随机场）层是一种用于序列标记任务的概率图模型组件，它通过建模序列中相邻元素标签之间的条件依赖关系，显著提升预测准确性，广泛应用于自然语言处理领域如命名实体识别、词性标注等任务。 在AI产品开发中，CRF层的实际应用体现在提升序列 […]
什么是Greedy Decoding？
Greedy Decoding（贪心解码）是一种在自然语言处理序列生成任务中常用的解码策略，其中模型在每个时间步预测输出序列时，仅选择当前概率最高的词元（token）作为输出，然后基于该词元继续生成后续内容。这种方法实现简单、计算效率高，但 […]
什么是Nucleus Sampling（Top-p Sampling）？
Nucleus Sampling（核心采样），也称为Top-p Sampling（前p采样），是一种在自然语言生成模型中用于从词汇概率分布中采样输出的技术。它通过设定一个概率阈值p（例如0.9），仅考虑累积概率达到p的最小词汇集合（称为nu […]
什么是温度（Temperature）？
温度（Temperature）在人工智能领域，特别是自然语言处理模型中，是一个关键的超参数，用于控制模型生成文本时的随机性程度。较高的温度值（如1.0以上）会使输出更具多样性和创造性，可能引入新颖的表达；而较低的温度值（如0.5以下）则使输 […]
什么是上下文填充（Context Filling）？
上下文填充（Context Filling）是指在人工智能系统中，基于已有的上下文信息来预测、补充或生成缺失内容的技术过程。在自然语言处理领域，它使模型能够利用对话历史、文本序列或其他相关数据，生成连贯且相关的输出，从而提升系统的理解力和响 […]
什么是提示选择（Prompt Selection）？
提示选择（Prompt Selection）是指在生成式人工智能应用中，通过精心设计和优化输入提示（Prompt）以引导模型更有效地执行特定任务的过程。它涉及对提示语的措辞、结构、上下文等进行系统性调整，旨在提升模型输出的准确性、相关性和实 […]
什么是Few-shot提示（Few-shot Prompting）？
Few-shot提示（Few-shot Prompting）是一种提示工程技术，通过在大型语言模型的输入中嵌入少量任务示例（通常为2-5个），引导模型理解新任务的模式并生成相应输出，而无需重新训练模型。这些示例作为上下文演示输入与期望输出的 […]
什么是马尔可夫链（Markov Chain）？
马尔可夫链（Markov Chain）是一种随机过程模型，其核心特性在于“无记忆性”，即系统在任意时刻的状态转移仅依赖于当前状态，而与过去的状态序列无关。这种模型由状态空间和状态间的转移概率矩阵定义，用于描述序列事件随时间演变的概率行为，是 […]
什么是条件随机场（Conditional Random Field, CRF）？
条件随机场（Conditional Random Field, CRF）是一种用于序列数据建模的概率图模型，专门处理序列标注任务如自然语言处理中的命名实体识别或词性标注。它直接建模给定输入序列X条件下输出标签序列Y的条件概率分布P(Y|X) […]