模型漂移指的是当真实世界的输入、关系、用户行为或运营条件偏离开发假设时,AI 系统行为的恶化或变化。本指南阐述了其机制、权衡、评估以及实践中重要的控制措施。
多代理系统在多个 AI 代理之间划分工作,这些代理进行协同、专业化、辩论或并行操作。该架构能够解决更广泛的任务,但也会成倍增加通信、成本和失败模式。
长上下文、检索增强生成和微调解决不同的问题:提供临时信息、选择外部证据以及改变模型行为。本指南解释了机制、权衡、评估以及实践中重要的控制措施。
多模态 AI 能够接收、关联或生成跨多个媒介的信息,包括文本、图像、音频、视频和传感器数据。本指南阐述了其机制、权衡、评估以及实践中重要的控制措施。
FlashAttention 通过一种输入输出感知的分块算法计算精确注意力,从而减少加速器内存层之间昂贵的数据传输。本指南阐释了其机制、权衡、评估以及实际中重要的控制措施。
损失函数将预测值与目标值之间的差异转换为学习算法试图最小化的量。本指南阐释了其机制、权衡、评估以及实践中重要的控制措施。
提示注入是一种攻击或失效模式,未受信任的内容通过提供与预期任务竞争的指令来改变 AI 系统的行为。本指南阐述了其机制、权衡、评估以及实际中重要的控制措施。
代理记忆并非单一数据库或无限增长的提示词。它是为保留工作上下文、情景、事实和已学程序而设计的系统,并在恰当时机检索相应信息。
投机解码通过让更快的草稿模型提出多个 token,而目标模型并行验证这些 token,从而加速自回归生成且不改变目标分布。本指南阐释了其机制、权衡、评估以及实践中重要的控制措施。
交叉验证通过反复轮换保留折叠,使团队能够在单一验证划分不稳定时估计性能及其变异性。本指南阐释了其机制、权衡、评估以及实践中重要的控制措施。
模型上下文协议为 AI 应用提供了一种标准方式来发现并使用工具、数据、提示及其他能力。本指南阐释了 MCP 的架构、原语、安全边界以及在代理栈中的位置。
可验证奖励的强化学习通过可自动检查的结果(例如正确的证明、通过的代码或精确的答案)来训练模型。本指南阐述了其机制、权衡、评估以及实践中重要的控制措施。
Agentic RAG 使 AI 系统能够在检索阶段进行规划、重新表述和迭代,而不是在生成前进行一次固定搜索。本指南阐释了其机制、权衡、评估以及实践中重要的控制措施。
Embeddings 是通过学习得到的密集数值向量,使具有有用语义或行为关系的项目在表征空间中占据相邻区域。本指南阐述了其机制、权衡、评估以及实践中重要的控制措施。
当领先系统逼近测试上限,使得分差异对实际能力的指示性下降时,就会出现基准饱和。本指南阐释了其机制、权衡、评估以及实践中重要的控制措施。