Речник

Основни понятия

Голям езиков модел (LLM) / Large Language Model (LLM)

ИИ модел, обучен върху огромни количества текст, за да разбира и генерира човешки език.

Изкуствен интелект (ИИ) / Artificial Intelligence (AI)

Компютърни системи, проектирани да изпълняват задачи, които обикновено изискват човешки интелект.

Промпт / Prompt

Инструкцията или входът, който се подава на ИИ модел.

Инженерство на промптове / Prompt Engineering

Практиката на проектиране на промптове, за да се получат по-добри и по-надеждни отговори от ИИ.

Контекст / Context

Допълнителна информация, която помага на модела да разбере по-добре задачата или ситуацията.

Токен / Token

Малка единица текст, която моделът обработва – например дума или част от дума.

Халюцинация / Hallucination

Неверен или измислен отговор, генериран от ИИ, който звучи правдоподобно.

Верига от разсъждения / Chain of Thought

Стил на разсъждение, при който моделът обяснява междинните стъпки на мисълта си.

Мултимодален модел / Multimodal Model

ИИ модел, способен да обработва различни типове данни като текст, изображения и звук.

Агент / Agent

ИИ система, която може автономно да извършва действия и да използва инструменти, за да изпълнява задачи.

Извикване на инструменти / Tool Calling

Способността на ИИ модел да използва външни инструменти, API-та или услуги по време на задача.

Под капака

Системен промпт / System Prompt

Скрити инструкции, които определят поведението, правилата и личността на ИИ.

Контекстен прозорец / Context Window

Максималното количество текст, което ИИ моделът може да обработва и помни наведнъж.

Инжектиране на контекст / Context Injection

Добавяне на външна информация в промпта, за да се подобри отговорът на модела.

Лимит на токените / Token Limit

Максималният брой токени, които моделът може да обработи в едно взаимодействие.

Данни за обучение / Training Data

Голямата колекция от текст и информация, използвана за обучение на модела.

Инференция / Inference

Процесът на генериране на изход чрез вече обучен ИИ модел.

Завършване (completion) / Completion

Текстовият отговор, генериран от ИИ модела.

Предсказване на следващия токен / Next-Token Prediction

Основният механизъм, чрез който моделът предсказва най-вероятния следващ токен в поредицата.

Transformer

Архитектурата на невронната мрежа, използвана от модерните езикови модели като GPT.

Механизъм на внимание / Attention Mechanism

Система, която помага на модела да се фокусира върху най-важните части на входа.

Тегла / Weights

Научените вътрешни параметри, в които се съхраняват знанията на модела.

Температура / Temperature

Настройка, която контролира колко креативни или предвидими са отговорите на модела.

Модел за разсъждение / Reasoning Model

Модел, оптимизиран за по-задълбочено логическо мислене и поетапно решаване на проблеми.

Процент на халюцинации / Hallucination Rate

Честотата, с която моделът произвежда неточна или измислена информация.

Заземяване (grounding) / Grounding

Свързване на изходите на ИИ с реални данни или надеждни източници за повишаване на точността.

Подравняване (alignment) / Alignment

Процесът на насочване на ИИ системите да следват човешките цели, ценности и правила за безопасност.

Предпазни рамки / Guardrails

Защитни ограничения, проектирани да предотвратят вредно или нежелано поведение на ИИ.

Джейлбрейк / Jailbreak

Опит за заобикаляне на вградените ограничения или защитни системи на ИИ модела.

Промптване с няколко примера / Few-Shot Prompting

Предоставяне на няколко примера в промпта, за да се насочи поведението на модела.

Промптване с един пример / One-Shot Prompting

Предоставяне на един единствен пример в промпта, за да се покаже желаният изход.

Промптване без примери / Zero-Shot Prompting

Искане към модела да изпълни задача, без да му се дават примери.

Верижно промптване / Prompt Chaining

Разделяне на сложна задача на няколко свързани промпта.

Структуриран изход / Structured Output

Отговор, генериран в фиксиран формат като JSON, XML или таблици.

Учене с няколко примера / Few-Shot Learning

Способността на модела да се адаптира към задачи с помощта на малък брой примери.

Embeddings (вграждания) / Embeddings

Числови векторни представяния на текст, които улавят семантично значение.

Векторна база данни / Vector Database

База данни, оптимизирана за съхранение и търсене на вграждания.

Семантично търсене / Semantic Search

Търсене, основано на смисъл и контекст, а не на точни ключови думи.

Генериране с извличане (RAG) / Retrieval-Augmented Generation (RAG)

Метод, при който моделът извлича външна информация, преди да генерира отговор.

Фино настройване (fine-tuning) / Fine-Tuning

Допълнително обучение на модел върху специализирани данни за конкретна задача или област.

Наръчник за промптове