【必收藏】AI大模型70个核心术语全解析：从入门到精通，构建完整知识框架

AI大模型（尤其是LLM时代）术语爆炸式增长，从基础概念到前沿技术，掌握核心词汇能让你快速构建知识体系，避免“听天书”。

下面基于2025-2026年主流中文社区/技术文章（如知乎、CSDN、火山引擎等热门整理）汇总的70个最常被提及、最实用的核心术语，按逻辑分类整理（共10大模块），每个术语附带通俗解释 + 关键作用/代表例子，适合新手到进阶一次性get。

一、基础概念（1-10，共10个）：AI世界的底层逻辑

1. 人工智能 (AI)：让机器模拟人类智能的技术总称。包括感知、推理、学习、决策。
2. 机器学习 (ML)：让机器从数据中“自动学习”规律，而非人工硬编码规则。
3. 深度学习 (DL)：用多层神经网络（深层结构）进行机器学习，处理图像/语音/文本等非结构数据的主力。
4. 大语言模型 (LLM)：参数规模亿级以上的语言模型，如GPT-4、Claude、DeepSeek、Qwen等，核心是“预测下一个词”。
5. 基础模型 (Foundation Model)：在大规模数据上预训练的通用大模型，可微调到各种下游任务。
6. 生成式AI (Generative AI / AIGC)：AI主动“创作”新内容（文本、图像、视频、代码、音乐）。
7. AGI (通用人工智能)：能像人类一样在任意智力任务上达到或超过人类水平的AI（还未实现）。
8. Token：大模型处理文本的最小单位（不一定是完整词，可能是一个字/子词/标点）。中文一个汉字≈1-2个Token。
9. Prompt：你输入给模型的指令/上下文，Prompt工程是调教模型的关键技能。
10. 上下文窗口 (Context Window)：模型一次能“记住/处理”的最大Token数（如128K、200K、1M等）。

二、模型架构（11-20，共10个）：大模型的“骨架”

11. Transformer：2017年Vaswani论文提出的架构，几乎所有现代LLM的基石。核心是Self-Attention。
12. Self-Attention / 自注意力：让模型关注句子中任意位置的词，解决RNN的长距离依赖问题。
13. Multi-Head Attention：多个注意力头并行，捕捉不同维度的关系。
14. Feed-Forward Network (FFN)：Transformer每层里的全连接网络，增加非线性。
15. Positional Encoding：给序列加位置信息（因为Transformer本身不感知顺序）。
16. Decoder-only：像GPT系列，只用Decoder部分，擅长生成任务。
17. Encoder-Decoder：像T5/BART，Encoder处理输入，Decoder生成输出，适合翻译/摘要。
18. MoE (Mixture of Experts)：混合专家模型，只激活部分“专家”网络，兼顾性能和效率（如DeepSeek、Mixtral）。
19. Mamba：2024年后崛起的State Space Model架构，线性时间复杂度，挑战Transformer在长序列上的地位。
20. KV Cache：推理时缓存Key/Value，避免重复计算，大幅加速生成。

三、训练范式（21-35，共15个）：从0到1的炼丹过程

21. 预训练 (Pre-training)：海量无标签数据上自监督学习（如下一个Token预测）。
22. 监督微调 (SFT / Supervised Fine-Tuning)：用高质量问答对继续训练，让模型更听话。
23. RLHF (Reinforcement Learning from Human Feedback)：用人类偏好数据训练奖励模型，再用PPO优化，让输出更符合人类价值观。
24. DPO (Direct Preference Optimization)：简化版RLHF，直接用偏好数据优化，不需要单独奖励模型。
25. LoRA (Low-Rank Adaptation)：参数高效微调，只训很少参数（低秩矩阵），节省显存。
26. QLoRA：量化+LoRA，进一步降低显存需求，消费级显卡也能微调70B模型。
27. PEFT (Parameter-Efficient Fine-Tuning)：参数高效微调的总称，包括LoRA、Adapter、Prefix-Tuning等。
28. 指令微调 (Instruction Tuning)：用指令-响应格式数据训练，让模型更好地遵循Prompt。
29. Scaling Law：模型性能随参数量/数据量/算力增加呈可预测幂律提升（Chinchilla定律等）。
30. 幻觉 (Hallucination)：模型编造不存在的事实/内容。
31. 温度 (Temperature)：控制生成随机性，0=最确定，1=更随机创意。
32. Top-k / Top-p (Nucleus Sampling)：解码策略，限制采样范围，避免低概率胡说。
33. Beam Search：搜索多个候选序列，选最优路径。
34. 自回归 (Autoregressive)：一步步生成下一个Token，当前输出依赖之前所有。
35. 蒸馏 (Distillation)：用大模型教小模型，压缩体积保留能力。

四、推理与部署（36-45，共10个）：让模型真正跑起来

36. 推理 (Inference)：模型实际生成输出的阶段（相对训练）。
37. 量化 (Quantization)：把FP16/FP32权重转为INT8/INT4，降低显存/加速（几乎不掉性能）。
38. vLLM / SGLang：高效推理框架，支持PagedAttention、连续批处理。
39. RAG (Retrieval-Augmented Generation)：检索外部知识库+生成，解决知识截止和幻觉。
40. Agent / AI Agent：大模型+工具调用+规划，能自主完成多步复杂任务。
41. Chain of Thought (CoT)：让模型“一步一步思考”，显著提升推理能力。
42. Tree of Thoughts (ToT)：CoT的树状扩展，探索多条推理路径。
43. Self-Consistency：多次采样取多数投票，提升一致性。
44. 工具调用 (Tool Use / Function Calling)：模型输出结构化调用外部API/工具。
45. 多模态 (Multimodal)：同时处理文本+图像+音频+视频（如GPT-4o、Gemini、Qwen-VL）。

五、评估与优化（46-55，共10个）

46. Perplexity (困惑度)：衡量语言模型预测好坏，越低越好。
47. BLEU / ROUGE：机器翻译/摘要的经典自动评估指标。
48. BERTScore / MoverScore：基于嵌入相似度的现代评估。
49. Arena / LMSYS Chatbot Arena：人类盲测对战排行榜，最真实的主观榜单。
50. MMLU / HumanEval / GSM8K：经典评测集（多选、代码、数学）。
51. 幻觉检测：专门评估模型编造内容的比例。
52. 安全性对齐 (Alignment)：让模型输出符合人类价值观，避免有害内容。
53. 红队测试 (Red Teaming)：故意攻击模型找漏洞。
54. 水印 (Watermarking)：在生成文本中嵌入隐形标记，追踪AI内容。
55. 可解释性 (Interpretability)：理解模型为什么这么决定。

六、伦理与安全（56-60，共5个）

56. 偏见 (Bias)：模型继承训练数据中的性别/种族/地域偏见。
57. 越狱 (Jailbreak)：用特殊Prompt绕过模型的安全限制。
58. 提示注入 (Prompt Injection)：恶意指令覆盖用户指令。
59. 数据污染 (Data Poisoning)：训练数据被恶意污染。
60. 模型窃取 (Model Stealing)：通过API查询逆向复制模型。

七、其他高频前沿（61-70，共10个）

61. 开源大模型：Llama-3、Qwen、DeepSeek、Mistral、Gemma等。
62. 闭源大模型：GPT-4o、Claude-3.5/4、Gemini-1.5/2.0。
63. 长上下文：支持几十万到百万Token的模型。
64. 推理模型：专为复杂推理优化的模型（如o1系列）。
65. 边缘大模型 / SLM：小模型（亿级参数），手机/边缘设备跑。
66. 联邦学习：多设备协作训练，不共享原始数据。
67. 合成数据：用大模型生成训练数据，解决数据荒。
68. 世界模型 (World Model)：AI理解物理规律/因果的模型。
69. 具身智能 (Embodied AI)：AI+机器人，在物理世界行动。
70. AI原生应用：从底层为AI设计的应用，而非传统软件+AI插件。

一句话总结：
大模型的核心逻辑是“海量数据 + Transformer + Scaling + 对齐”，70个术语串起来就是从“预训→SFT→RLHF/DPO→高效推理→RAG/Agent→多模态/具身”这条技术主线。

收藏后可以当词典用！
你现在最困惑/最想深入哪个方向的术语？比如Agent实现、RAG优化、量化部署、还是MoE/长上下文？告诉我，我可以展开更细的实战案例和代码思路。