AI Glossary

abbr.	for	cn
AED	Automatic Emotion Detection	自动情感检测
AI	Artificial Intelligence	人工智能
ASR	Automatic Speech Recognition	自动语音识别
CE	Cross Entropy	交叉熵
CLIP	Contrastive Language-Image Pretraining	对比语言-图像预训练
ERP	erotic role playing	情色角色扮演
FLCE	Fused Linear Cross Entropy	融合线性交叉熵
FSDP	Fully Sharded Data Parallel	完全分片数据并行
GeGLU	Gated Linear Unit	门控线性单元
GELAN	Generalized Efficient Layer Aggregation Network	通用高效层聚合网络
GME	Generalized Multimodal Encoder	通用多模态编码器
GPT	Generative Pre-trained Transformer	生成型预训练变换模型
GTE	Generalized Text Encoder	通用文本编码器
ITN	Inverse Text Normalization	逆文本规范化
LayerNorm	Layer Normalization	层归一化
LID	Language Identification	语言识别
LLaMa	Large Language Model for Machine Translation	机器翻译的大语言模型
LLM	Large Language Model	大语言模型
LoRA	Language of Rules and Actions	语言规则与行动语言
LRM	Large Reasoning Models	大型推理模型
MLP	Multi-Layer Perceptron	多层感知机
MRoPE	Multimodal Rotary Position Embedding	多模态旋转位置嵌入
PGI	Programmable Gradient Information	可编程梯度信息
QLoRA	Quantized Low-Rank Adaptation	量化低秩适配
RLHF	Reinforcement Learning from Human Feedback	人类反馈强化学习
RM	Reward / preference modeling	奖励/偏好建模
RMSNorm	Root Mean Square Normalization	均方根归一化
RoPE	Rotary Position Embedding	旋转位置嵌入
RTF	Real-Time Factor	实时因子
SDXL	Stable Diffusion XL	稳定扩散 XL
SER	Speech Emotion Recognition	语音情感识别
SFT	Supervised Fine-tuning	监督微调
SOTA	State of the Art	最新技术
STT	Speech to Text	语音转文本
SwiGLU	Swish-Gated Linear Unit	Swish 门控线性单元
TTS	Text to Speech	文本转语音
VAD	Voice Activity Detection	语音活动检测
ViT	Vision Transformer	视觉变换器
WFST	Weighted Finite-State Transducer	加权有限状态转换器
YaRN	Yet another RoPE extensioN method	另一种 RoPE 扩展方法
YOLO	You Only Look Once

• ITN
  • 口语 -> 书面语 - 符合 自然书写习惯
• RTF - Real-Time Factor - 实时因子
  • 语音识别中的速度指标，表示每秒识别的时间长度，RTF 越小越好，1 表示实时识别，0.5 表示 2 倍速识别
• Embodied AI - 具身人工智能
  • 智能系统需要一个“身体”（物理实体）来与世界进行直接的交互
  • 通过这种交互来感知、行动、学习和理解世界
  • 不仅仅是处理抽象数据，而是将AI算法植入到能够感知和行动的物理系统中
  • 这个“身体”可以是机器人，也可以是自动驾驶汽车，甚至是智能建筑中的传感器和执行器网络。
• Embodied Robotics - 具身机器人学/具身机器人
• Embodied
  • Embodiment - 物理实体
  • Perception and Action - 感知与行动
  • Interaction with Environment - 环境交互
  • Situated Learning - 情境学习
• open-vocabulary detection
  • 开放词汇检测
  • 识别和处理未在训练数据中出现过的词汇或短语的能力
• CAM (Class Activation Mapping)（Heatmap）
  • 类激活映射
  • 用于可视化卷积神经网络（CNN）在图像分类任务中关注的区域
  • 通过将特定类别的预测与输入图像的特征图进行关联，生成热力图，显示模型在做出决策时关注的图像区域
  • 模型可解释性

en	cn
Stable Diffusion	稳定扩散
Speech Synthesis	语音合成
Voice Synthesis	语音合成

LLM 参数

• temperature
  • 可以控制词元选择的随机性。较低的温度适合希望获得真实或正确回复的提示，而较高的温度可能会引发更加多样化或意想不到的结果。
  • 温度为 0 表示回复是确定的：系统始终会选择概率最高的词元。对于大多数应用场景，不妨先试着将温度设为 0.2。
• top-k
  • 可更改模型选择输出词元的方式。
  • 如果 Top-k 设为 1，表示所选词元是模型词汇表的所有词元中概率最高的词元（也称为贪心解码）。
  • 如果 Top-k 设为 3，则表示系统将从 3 个概率最高的词元（通过温度确定）中选择下一个词元。
• top-p
  • 可更改模型选择输出词元的方式。系统会按照概率从最高到最低的顺序选择词元，直到所选词元的概率总和等于 Top-p 的值。
  • 例如，如果词元 A、B 和 C 的概率分别是 0.3、0.2 和 0.1，并且 Top-p 的值为 0.5，则模型将选择 A 或 B 作为下一个词元（通过温度确定）。Top-p 的默认值为 0.8。
• presence_penalty
• frequency_penalty
• logit_bias
• max_tokens
  • 限制最大 token 数量，1 token 大约 4 字母，0.5 个汉字
• stop
  • 停止序列
• n
  • 生成 n 个结果