Агент
Программа, которая использует модель для выбора действий и работы с инструментами. Например, может найти информацию, обработать её и подготовить файл.
Термины и понятия, которые встречаются в работе с ИИ.
Программа, которая использует модель для выбора действий и работы с инструментами. Например, может найти информацию, обработать её и подготовить файл.
Достраивание изображения за пределами исходных границ. Модель создаёт новые области с учётом существующей сцены; это не простое увеличение разрешения.
Набор заданий и правил оценки, по которым сравнивают модели. Результат зависит от версии теста, настроек и способа запуска.
Хранилище с поддержкой векторов и поиска похожих представлений. Применяется для поиска по эмбеддингам; сходство векторов не подтверждает истинность найденной информации.
Числовые параметры, которые модель приобрела в ходе обучения. Для самостоятельного запуска обычно нужны файлы весов и совместимое программное обеспечение.
Память видеокарты. При запуске нейросети в ней размещаются веса модели и промежуточные данные. Одного размера файла весов недостаточно для точной оценки потребления памяти.
Модель, работающая с изображениями и текстом. В зависимости от обучения она может описывать изображения, находить объекты или распознавать текст.
Интервал от отправки запроса до получения первого непустого фрагмента ответа. Может включать ожидание в очереди и обработку входа; не отражает время генерации всего ответа.
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.
Правдоподобный, но неверный или неподтверждённый ответ модели. Уверенный тон ответа не означает, что информация проверена.
Системы, создающие новый контент на основе усвоенных закономерностей: текст, изображения, звук или видео. Генерация сама по себе не подтверждает достоверность результата.
Создание изображения по текстовому описанию. Результат зависит от модели, запроса и настроек; точное выполнение каждой детали не гарантируется.
Этап инференса авторегрессионной модели, на котором ответ строится последовательно. Каждый новый токен зависит от уже доступного контекста.
Машинное обучение с многослойными нейросетями. Последовательные слои формируют представления данных, полезные для распознавания, прогнозирования и генерации.
Способ обновления параметров в направлении уменьшения функции потерь. Величина шага зависит от скорости обучения и выбранного алгоритма оптимизации.
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.
Набор данных для обучения или проверки модели: тексты, изображения, звук и другие примеры.
Попытка заставить модель обойти предусмотренные ограничения поведения. В контексте ИИ относится к обходу защит модели, а не к разблокировке операционной системы устройства.
Обучение одной модели с использованием ответов или внутренних представлений другой. Часто применяется для переноса возможностей в более компактную модель.
Генеративная модель, обучающаяся обращать процесс добавления шума. При создании результата постепенно преобразует шум в данные; часто применяется для изображений.
Дополнительное обучение готовой модели на выбранных данных, чтобы изменить её поведение или адаптировать к задаче.
Выбор наиболее вероятного токена на каждом шаге. Не перебирает целые ответы и не гарантирует, что итоговая последовательность будет лучшей для задачи.
Время ожидания результата запроса. При сравнении уточняют, измеряется ли первый токен или весь ответ, а также длину входа, выхода и нагрузку.
Генерация или замена выбранной области изображения, обычно заданной маской. Используется для удаления объектов, исправления деталей и локального редактирования.
Использование уже обученной модели для получения результата: ответа, изображения, распознавания речи и других предсказаний.
Область создания систем, выполняющих задачи, для которых обычно нужны человеческие интеллектуальные способности: распознавание, планирование, работа с языком. Нейросети — один из подходов к ИИ.
Представление параметров модели с меньшей числовой точностью. Помогает уменьшить объём памяти; влияние на качество и скорость зависит от метода и оборудования.
Объём информации, который модель может учитывать в одном запросе. Обычно измеряется в токенах и включает входные данные и, в зависимости от модели, ответ.
Модель, которая выполняется на вашем устройстве. Требования к памяти и скорости зависят от размера модели, формата весов и программы запуска.
Подход к созданию моделей, которые выявляют закономерности по данным. Вместо перечисления всех правил разработчик задаёт способ обучения и оценки результата.
Способ взвешивать доступные представления данных при вычислении нового представления. Позволяет учитывать связи между элементами последовательности; не равнозначен человеческому вниманию.
Работа модели с несколькими видами данных, например текстом и изображениями. Поддержка входа не обязательно означает генерацию данных того же типа.
Описание нежелательных элементов, используемое некоторыми генераторами для направления результата. Поддержка зависит от модели; перечисление запретов не гарантирует их соблюдения.
Модель из связанных вычислительных элементов с обучаемыми параметрами. Преобразует входные данные в результат; название не означает точного воспроизведения работы человеческого мозга.
Этап инференса, на котором языковая модель обрабатывает входную последовательность перед генерацией ответа. Его длительность влияет на время до первого токена.
Область методов работы с человеческим языком: анализ текста, перевод, извлечение информации и другие задачи. Включает подходы, не требующие больших языковых моделей.
Алгоритм вычисления градиентов функции потерь по параметрам нейросети. Полученные градиенты использует оптимизатор, чтобы обновлять веса.
Поиск структуры в данных без заранее заданных правильных ответов. Например, объединение похожих объектов в группы.
Supervised Fine-Tuning — дообучение на подготовленных примерах желаемого поведения, например парах «инструкция — ответ». Меняет параметры модели, в отличие от примеров внутри промпта.
Подход, использующий человеческие оценки предпочтений для настройки поведения модели. В классической схеме сначала обучают модель награды, затем оптимизируют ответы с подкреплением.
Обучение стратегии действий по сигналу вознаграждения. Цель — повысить ожидаемую суммарную награду; её неудачный выбор может поощрять нежелательное поведение.
Обучение на примерах с целевыми ответами или метками. Модель учится сопоставлять входные данные с ожидаемым результатом.
Веса доступны для скачивания. Лицензия при этом может ограничивать способы использования; открытые веса и открытая лицензия — разные свойства.
Использование представлений или параметров ранее обученной модели для новой задачи. Позволяет адаптировать готовую основу вместо обучения всей системы с нуля.
Ситуация, когда модель хорошо подстраивается под обучающие примеры, но хуже работает с новыми данными. Высокий результат на обучающей выборке не гарантирует обобщения.
Организация информации, которую модель получает для задачи: инструкций, найденных документов, истории и результатов инструментов. Включает отбор и сокращение данных с учётом ограничений контекстного окна.
Первоначальное обучение модели на большом корпусе данных, формирующее общие представления и способности. Обычно предшествует адаптации к конкретным задачам.
Генерация с исходным изображением в качестве условия. Позволяет менять стиль и содержание; степень сохранения оригинала зависит от метода и настроек.
Способ задать задачу несколькими примерами входа и нужного ответа внутри запроса. Модель использует их как контекст без отдельного дообучения.
Входная инструкция или запрос к модели. Может содержать задачу, контекст, примеры и требования к формату ответа.
Подбор инструкций, контекста, примеров и формата запроса для получения нужного результата. Не изменяет веса модели и не заменяет проверку качества ответов.
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.
Объём работы за единицу времени, например запросов или токенов в секунду. Суммарная производительность сервера и скорость ответа одному пользователю — разные показатели.
Метод настройки модели на парах предпочтительного и менее удачного ответа. В базовом варианте обходится без отдельного обучения модели награды и цикла RL.
Деление документов на части для индексирования и передачи модели. Размер и границы фрагментов влияют на полноту поиска и сохранение полезного контекста.
Количество примеров, обрабатываемых совместно за один шаг. При обучении влияет на расход памяти и оценку градиента; накопление градиентов позволяет увеличить эффективный батч.
Преобразование звучащей речи в текст. Точность зависит от языка, шума, дикции и модели; распознавание само по себе не означает понимания сказанного.
Извлечение машинно-читаемого текста из изображений и сканов. Сложная вёрстка, рукописные записи и качество снимка влияют на точность; OCR не равнозначно пониманию документа.
Способ решения задачи, при котором модель выполняет дополнительные промежуточные вычисления перед ответом. Это не гарантирует правильность результата.
Модель, которая повторно оценивает найденные документы относительно запроса и меняет порядок результатов. Обычно применяется после первого этапа поиска.
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.
Поиск по смысловому сходству запроса и материалов, часто с помощью эмбеддингов. Может находить подходящий текст без точного совпадения слов.
Выбор следующего токена из распределения вероятностей модели. Настройки семплирования меняют разнообразие результатов; повторные запросы могут давать разные ответы.
Программа, которая загружает модель, принимает запросы и возвращает результаты вычислений через API. Модель и сервер инференса — отдельные компоненты.
Начальное значение генератора псевдослучайных чисел. Помогает повторять результат при одинаковых условиях, но не гарантирует совпадения между разным оборудованием, версиями ПО и настройками.
Параметр, регулирующий влияние условия, например текстового описания, при генерации. В классическом CFG большое значение усиливает это влияние, но может снижать разнообразие и создавать артефакты.
Создание звучащей речи из текста. Выбор голоса, управление интонацией и поддерживаемые языки зависят от системы; синтез и распознавание речи — разные задачи.
Инструкции, задаваемые приложением для роли и правил поведения модели. Их приоритет зависит от устройства системы; один такой промпт не обеспечивает защиту от всех атак.
Настройка масштаба изменения параметров при обучении. Слишком большое значение может мешать сходимости, слишком маленькое — замедлять обучение.
Ускорение генерации, при котором вспомогательный механизм предлагает несколько токенов, а основная модель проверяет их. Выигрыш зависит от совпадения предложений, оборудования и реализации.
Ответ модели, ограниченный заданной схемой, например JSON Schema. Упрощает разбор результата программой, но не гарантирует достоверность содержащихся в нём фактов.
Параметр семплирования, меняющий распределение вероятностей токенов. Более высокая температура обычно увеличивает разнообразие ответов, а низкая делает выбор предсказуемее.
Единица, на которую модель разбивает данные. Для текста это может быть часть слова, целое слово или знак; токены не равны словам.
Преобразование текста в последовательность токенов и их числовых идентификаторов. Разные токенизаторы могут по-разному разбивать один текст, поэтому число токенов зависит от модели.
Архитектура нейросети, в которой ключевую роль играет механизм внимания. Используется для языка, изображений, звука и других данных; не является названием одной конкретной модели.
Числовая мера ошибки модели, которую стремятся уменьшить при обучении. Низкая потеря не всегда означает высокое качество по всем важным пользователю критериям.
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.
Сохранённое состояние модели на определённом этапе обучения. Может включать веса, состояние оптимизатора и другие данные для продолжения работы; состав зависит от формата сохранения.
Числовой вектор, представляющий объект, например текст. Используется для поиска по смыслу, группировки и сравнения.
Энкодер преобразует вход в представления, а декодер формирует выходную последовательность. Модели могут содержать только энкодер, только декодер или оба компонента.
Один полный проход по обучающей выборке. Увеличение числа эпох не обязательно улучшает качество: модель может начать переобучаться.
Интерфейс для обращения к программе из другой программы. Через API приложение может отправлять запросы модели и получать ответы.
Платформа и модель программирования NVIDIA для вычислений на её GPU. Не является синонимом любого ускорения на видеокарте; другим устройствам обычно нужны иные программные средства.
Формат хранения моделей и метаданных, распространённый в инструментах локального запуска на основе llama.cpp.
Сохранённые ключи и значения механизма внимания, позволяющие не пересчитывать предыдущие токены при генерации. Кэш занимает память и растёт с длиной контекста.
Large Language Model — большая языковая модель, обученная работать с последовательностями токенов. Может создавать текст, анализировать документы и помогать с кодом.
Метод адаптации модели с обучением небольших дополнительных матриц вместо всех её параметров. Обычно требует меньше ресурсов, чем полное дообучение.
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.
Архитектура с несколькими блоками-экспертами. Для обработки конкретного токена маршрутизатор выбирает часть экспертов, поэтому активных параметров может быть меньше общего числа.
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.
Разрабатываемый Meta, Sierra и партнёрами протокол взаимодействия личных ИИ-агентов с бизнесом: обнаружение возможностей, авторизация пользователя и права чтения или изменения данных.
Способ экономного дообучения: базовые веса хранятся в 4-битном виде и остаются замороженными, а обучаются адаптеры LoRA. Снижает требования к памяти.
Retrieval-Augmented Generation: перед ответом система находит релевантные материалы и передаёт их модели как контекст. Сам по себе поиск не меняет веса модели.
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.
Ограничение выбора k наиболее вероятными токенами на текущем шаге генерации. В отличие от top-p задаёт число кандидатов, а не порог суммарной вероятности.
Ограничение выбора минимальным набором наиболее вероятных токенов, чья суммарная вероятность достигает порога p. Число кандидатов меняется на каждом шаге.
Измените запрос или вернитесь позже.