нейрохаб.рфСправка

Справка

Термины и понятия, которые встречаются в работе с ИИ.

96записей
Записей: 96

Агент

Программа, которая использует модель для выбора действий и работы с инструментами. Например, может найти информацию, обработать её и подготовить файл.

Аутпейнтинг (outpainting)

Достраивание изображения за пределами исходных границ. Модель создаёт новые области с учётом существующей сцены; это не простое увеличение разрешения.

Бенчмарк

Набор заданий и правил оценки, по которым сравнивают модели. Результат зависит от версии теста, настроек и способа запуска.

Векторная база данных

Хранилище с поддержкой векторов и поиска похожих представлений. Применяется для поиска по эмбеддингам; сходство векторов не подтверждает истинность найденной информации.

Веса модели

Числовые параметры, которые модель приобрела в ходе обучения. Для самостоятельного запуска обычно нужны файлы весов и совместимое программное обеспечение.

Видеопамять (VRAM)

Память видеокарты. При запуске нейросети в ней размещаются веса модели и промежуточные данные. Одного размера файла весов недостаточно для точной оценки потребления памяти.

Визуально-языковая модель

Модель, работающая с изображениями и текстом. В зависимости от обучения она может описывать изображения, находить объекты или распознавать текст.

Время до первого токена (TTFT)

Интервал от отправки запроса до получения первого непустого фрагмента ответа. Может включать ожидание в очереди и обработку входа; не отражает время генерации всего ответа.

Вызов инструментов (tool calling)

Модель формирует запрос на выполнение функции с аргументами. Приложение проверяет запрос, выполняет разрешённое действие и возвращает результат модели. Сам текст ответа модели ещё не означает выполнения действия.

Галлюцинация

Правдоподобный, но неверный или неподтверждённый ответ модели. Уверенный тон ответа не означает, что информация проверена.

Генеративный ИИ (GenAI)

Системы, создающие новый контент на основе усвоенных закономерностей: текст, изображения, звук или видео. Генерация сама по себе не подтверждает достоверность результата.

Генерация по тексту (text-to-image)

Создание изображения по текстовому описанию. Результат зависит от модели, запроса и настроек; точное выполнение каждой детали не гарантируется.

Генерация токенов (decode)

Этап инференса авторегрессионной модели, на котором ответ строится последовательно. Каждый новый токен зависит от уже доступного контекста.

Глубокое обучение (deep learning)

Машинное обучение с многослойными нейросетями. Последовательные слои формируют представления данных, полезные для распознавания, прогнозирования и генерации.

Градиентный спуск

Способ обновления параметров в направлении уменьшения функции потерь. Величина шага зависит от скорости обучения и выбранного алгоритма оптимизации.

Графический процессор (GPU)

Процессор для массово-параллельных вычислений, используемый в том числе для обучения и запуска нейросетей. Подходящая модель GPU зависит от памяти, поддерживаемых операций и программного стека.

Датасет

Набор данных для обучения или проверки модели: тексты, изображения, звук и другие примеры.

Джейлбрейк (jailbreak)

Попытка заставить модель обойти предусмотренные ограничения поведения. В контексте ИИ относится к обходу защит модели, а не к разблокировке операционной системы устройства.

Дистилляция

Обучение одной модели с использованием ответов или внутренних представлений другой. Часто применяется для переноса возможностей в более компактную модель.

Диффузионная модель

Генеративная модель, обучающаяся обращать процесс добавления шума. При создании результата постепенно преобразует шум в данные; часто применяется для изображений.

Дообучение (fine-tuning)

Дополнительное обучение готовой модели на выбранных данных, чтобы изменить её поведение или адаптировать к задаче.

Жадное декодирование (greedy decoding)

Выбор наиболее вероятного токена на каждом шаге. Не перебирает целые ответы и не гарантирует, что итоговая последовательность будет лучшей для задачи.

Задержка ответа (latency)

Время ожидания результата запроса. При сравнении уточняют, измеряется ли первый токен или весь ответ, а также длину входа, выхода и нагрузку.

Инпейнтинг (inpainting)

Генерация или замена выбранной области изображения, обычно заданной маской. Используется для удаления объектов, исправления деталей и локального редактирования.

Инференс

Использование уже обученной модели для получения результата: ответа, изображения, распознавания речи и других предсказаний.

Искусственный интеллект (ИИ, AI)

Область создания систем, выполняющих задачи, для которых обычно нужны человеческие интеллектуальные способности: распознавание, планирование, работа с языком. Нейросети — один из подходов к ИИ.

Квантизация

Представление параметров модели с меньшей числовой точностью. Помогает уменьшить объём памяти; влияние на качество и скорость зависит от метода и оборудования.

Контекстное окно

Объём информации, который модель может учитывать в одном запросе. Обычно измеряется в токенах и включает входные данные и, в зависимости от модели, ответ.

Локальная нейросеть

Модель, которая выполняется на вашем устройстве. Требования к памяти и скорости зависят от размера модели, формата весов и программы запуска.

Машинное обучение (ML)

Подход к созданию моделей, которые выявляют закономерности по данным. Вместо перечисления всех правил разработчик задаёт способ обучения и оценки результата.

Механизм внимания (attention)

Способ взвешивать доступные представления данных при вычислении нового представления. Позволяет учитывать связи между элементами последовательности; не равнозначен человеческому вниманию.

Мультимодальность

Работа модели с несколькими видами данных, например текстом и изображениями. Поддержка входа не обязательно означает генерацию данных того же типа.

Негативный промпт (negative prompt)

Описание нежелательных элементов, используемое некоторыми генераторами для направления результата. Поддержка зависит от модели; перечисление запретов не гарантирует их соблюдения.

Нейронная сеть

Модель из связанных вычислительных элементов с обучаемыми параметрами. Преобразует входные данные в результат; название не означает точного воспроизведения работы человеческого мозга.

Обработка входа (prefill)

Этап инференса, на котором языковая модель обрабатывает входную последовательность перед генерацией ответа. Его длительность влияет на время до первого токена.

Обработка естественного языка (NLP)

Область методов работы с человеческим языком: анализ текста, перевод, извлечение информации и другие задачи. Включает подходы, не требующие больших языковых моделей.

Обучение на примерах ответов (SFT)

Supervised Fine-Tuning — дообучение на подготовленных примерах желаемого поведения, например парах «инструкция — ответ». Меняет параметры модели, в отличие от примеров внутри промпта.

Обучение по обратной связи людей (RLHF)

Подход, использующий человеческие оценки предпочтений для настройки поведения модели. В классической схеме сначала обучают модель награды, затем оптимизируют ответы с подкреплением.

Обучение с подкреплением (RL)

Обучение стратегии действий по сигналу вознаграждения. Цель — повысить ожидаемую суммарную награду; её неудачный выбор может поощрять нежелательное поведение.

Открытые веса

Веса доступны для скачивания. Лицензия при этом может ограничивать способы использования; открытые веса и открытая лицензия — разные свойства.

Перенос обучения (transfer learning)

Использование представлений или параметров ранее обученной модели для новой задачи. Позволяет адаптировать готовую основу вместо обучения всей системы с нуля.

Переобучение (overfitting)

Ситуация, когда модель хорошо подстраивается под обучающие примеры, но хуже работает с новыми данными. Высокий результат на обучающей выборке не гарантирует обобщения.

Подготовка контекста (context engineering)

Организация информации, которую модель получает для задачи: инструкций, найденных документов, истории и результатов инструментов. Включает отбор и сокращение данных с учётом ограничений контекстного окна.

Предобучение (pretraining)

Первоначальное обучение модели на большом корпусе данных, формирующее общие представления и способности. Обычно предшествует адаптации к конкретным задачам.

Преобразование изображения (image-to-image)

Генерация с исходным изображением в качестве условия. Позволяет менять стиль и содержание; степень сохранения оригинала зависит от метода и настроек.

Примеры в промпте (few-shot prompting)

Способ задать задачу несколькими примерами входа и нужного ответа внутри запроса. Модель использует их как контекст без отдельного дообучения.

Промпт

Входная инструкция или запрос к модели. Может содержать задачу, контекст, примеры и требования к формату ответа.

Промпт-инжиниринг (prompt engineering)

Подбор инструкций, контекста, примеров и формата запроса для получения нужного результата. Не изменяет веса модели и не заменяет проверку качества ответов.

Промпт-инъекция (prompt injection)

Попытка подменить поведение ИИ инструкциями во входных данных, например на веб-странице или в документе. Особенно опасна, если агент принимает чужой текст за разрешённую команду.

Пропускная способность (throughput)

Объём работы за единицу времени, например запросов или токенов в секунду. Суммарная производительность сервера и скорость ответа одному пользователю — разные показатели.

Прямая оптимизация предпочтений (DPO)

Метод настройки модели на парах предпочтительного и менее удачного ответа. В базовом варианте обходится без отдельного обучения модели награды и цикла RL.

Разбиение на фрагменты (chunking)

Деление документов на части для индексирования и передачи модели. Размер и границы фрагментов влияют на полноту поиска и сохранение полезного контекста.

Размер батча (batch size)

Количество примеров, обрабатываемых совместно за один шаг. При обучении влияет на расход памяти и оценку градиента; накопление градиентов позволяет увеличить эффективный батч.

Распознавание речи (ASR, speech-to-text)

Преобразование звучащей речи в текст. Точность зависит от языка, шума, дикции и модели; распознавание само по себе не означает понимания сказанного.

Распознавание текста (OCR)

Извлечение машинно-читаемого текста из изображений и сканов. Сложная вёрстка, рукописные записи и качество снимка влияют на точность; OCR не равнозначно пониманию документа.

Рассуждение

Способ решения задачи, при котором модель выполняет дополнительные промежуточные вычисления перед ответом. Это не гарантирует правильность результата.

Реранкер

Модель, которая повторно оценивает найденные документы относительно запроса и меняет порядок результатов. Обычно применяется после первого этапа поиска.

Самообучение на данных (self-supervised learning)

Обучение, при котором целевые ответы получают из самих данных: например, скрывают фрагмент текста и учат модель его восстанавливать. Не означает самостоятельного обновления модели при каждом диалоге.

Семантический поиск

Поиск по смысловому сходству запроса и материалов, часто с помощью эмбеддингов. Может находить подходящий текст без точного совпадения слов.

Семплирование (sampling)

Выбор следующего токена из распределения вероятностей модели. Настройки семплирования меняют разнообразие результатов; повторные запросы могут давать разные ответы.

Сервер инференса

Программа, которая загружает модель, принимает запросы и возвращает результаты вычислений через API. Модель и сервер инференса — отдельные компоненты.

Сид (seed)

Начальное значение генератора псевдослучайных чисел. Помогает повторять результат при одинаковых условиях, но не гарантирует совпадения между разным оборудованием, версиями ПО и настройками.

Сила следования условию (guidance scale, CFG)

Параметр, регулирующий влияние условия, например текстового описания, при генерации. В классическом CFG большое значение усиливает это влияние, но может снижать разнообразие и создавать артефакты.

Синтез речи (TTS, text-to-speech)

Создание звучащей речи из текста. Выбор голоса, управление интонацией и поддерживаемые языки зависят от системы; синтез и распознавание речи — разные задачи.

Системный промпт (system prompt)

Инструкции, задаваемые приложением для роли и правил поведения модели. Их приоритет зависит от устройства системы; один такой промпт не обеспечивает защиту от всех атак.

Скорость обучения (learning rate)

Настройка масштаба изменения параметров при обучении. Слишком большое значение может мешать сходимости, слишком маленькое — замедлять обучение.

Спекулятивное декодирование

Ускорение генерации, при котором вспомогательный механизм предлагает несколько токенов, а основная модель проверяет их. Выигрыш зависит от совпадения предложений, оборудования и реализации.

Структурированный ответ

Ответ модели, ограниченный заданной схемой, например JSON Schema. Упрощает разбор результата программой, но не гарантирует достоверность содержащихся в нём фактов.

Температура

Параметр семплирования, меняющий распределение вероятностей токенов. Более высокая температура обычно увеличивает разнообразие ответов, а низкая делает выбор предсказуемее.

Токен

Единица, на которую модель разбивает данные. Для текста это может быть часть слова, целое слово или знак; токены не равны словам.

Токенизация

Преобразование текста в последовательность токенов и их числовых идентификаторов. Разные токенизаторы могут по-разному разбивать один текст, поэтому число токенов зависит от модели.

Трансформер (Transformer)

Архитектура нейросети, в которой ключевую роль играет механизм внимания. Используется для языка, изображений, звука и других данных; не является названием одной конкретной модели.

Функция потерь (loss)

Числовая мера ошибки модели, которую стремятся уменьшить при обучении. Низкая потеря не всегда означает высокое качество по всем важным пользователю критериям.

Цепочка рассуждений (Chain of Thought, CoT)

Последовательность промежуточных шагов решения, формируемая моделью перед ответом или вместе с ним. Может помогать в сложных задачах, но не гарантирует правильность или достоверное объяснение внутренних вычислений.

Чекпойнт (checkpoint)

Сохранённое состояние модели на определённом этапе обучения. Может включать веса, состояние оптимизатора и другие данные для продолжения работы; состав зависит от формата сохранения.

Эмбеддинг

Числовой вектор, представляющий объект, например текст. Используется для поиска по смыслу, группировки и сравнения.

Энкодер и декодер

Энкодер преобразует вход в представления, а декодер формирует выходную последовательность. Модели могут содержать только энкодер, только декодер или оба компонента.

Эпоха обучения (epoch)

Один полный проход по обучающей выборке. Увеличение числа эпох не обязательно улучшает качество: модель может начать переобучаться.

API

Интерфейс для обращения к программе из другой программы. Через API приложение может отправлять запросы модели и получать ответы.

CUDA

Платформа и модель программирования NVIDIA для вычислений на её GPU. Не является синонимом любого ускорения на видеокарте; другим устройствам обычно нужны иные программные средства.

GGUF

Формат хранения моделей и метаданных, распространённый в инструментах локального запуска на основе llama.cpp.

KV-кэш

Сохранённые ключи и значения механизма внимания, позволяющие не пересчитывать предыдущие токены при генерации. Кэш занимает память и растёт с длиной контекста.

LLM

Large Language Model — большая языковая модель, обученная работать с последовательностями токенов. Может создавать текст, анализировать документы и помогать с кодом.

LoRA

Метод адаптации модели с обучением небольших дополнительных матриц вместо всех её параметров. Обычно требует меньше ресурсов, чем полное дообучение.

MCP

Протокол подключения ИИ-приложений к инструментам и источникам данных. MCP задаёт общий способ взаимодействия клиента и сервера; доступные действия зависят от конкретного сервера и разрешений.

Mixture of Experts (MoE)

Архитектура с несколькими блоками-экспертами. Для обработки конкретного токена маршрутизатор выбирает часть экспертов, поэтому активных параметров может быть меньше общего числа.

Model Hardware Standard (MHS)

Спецификация общего интерфейса, через который ИИ-агенты могут обнаруживать физические устройства и работать с их возможностями и ограничениями. В августе 2026 года представлена в исследовательском предварительном доступе.

Personal Agent Protocol

Разрабатываемый Meta, Sierra и партнёрами протокол взаимодействия личных ИИ-агентов с бизнесом: обнаружение возможностей, авторизация пользователя и права чтения или изменения данных.

QLoRA

Способ экономного дообучения: базовые веса хранятся в 4-битном виде и остаются замороженными, а обучаются адаптеры LoRA. Снижает требования к памяти.

RAG

Retrieval-Augmented Generation: перед ответом система находит релевантные материалы и передаёт их модели как контекст. Сам по себе поиск не меняет веса модели.

Safetensors

Формат хранения тензоров, в том числе весов моделей, без выполнения произвольного кода при чтении самого формата. Не делает автоматически безопасными сопутствующие скрипты и весь пакет модели.

Top-k

Ограничение выбора k наиболее вероятными токенами на текущем шаге генерации. В отличие от top-p задаёт число кандидатов, а не порог суммарной вероятности.

Top-p (nucleus sampling)

Ограничение выбора минимальным набором наиболее вероятных токенов, чья суммарная вероятность достигает порога p. Число кандидатов меняется на каждом шаге.