大模型中的参数和语料是什么意思

2025 年人工智能大模型的技术提升可能体现在以下几个方面： 1. 视频生成能力：如 2024 年推出的多个先进的 AI 模型能够从文本输入生成高质量视频，相比 2023 年有显著进步。 2. 模型规模与性能：更小的模型能驱动更强的性能，如 2022 年最小能在 MMLU 上得分高于 60%的模型是具有 5400 亿参数的 PaLM，到 2024 年，参数仅 38 亿的微软 Phi3mini 也能达到相同阈值。 3. 推理能力：尽管加入了如思维链推理等机制显著提升了大语言模型的性能，但在一些需要逻辑推理的问题上，如算术和规划，尤其在超出训练范围的实例上，这些系统仍存在问题。 4. AI 代理：在短时间预算设置下，顶级 AI 系统得分高于人类专家，但随着时间预算增加，人类表现会超过 AI。 5. 算法变革：如 DeepSeek 的出现标志着算力效率拐点显现，其通过优化算法架构显著提升了算力利用效率，同时 2025 年发布的大模型呈现低参数量特征，为本地化部署到 AI 终端运行提供了可能，其训练过程聚焦于强化学习，提升了模型的推理能力。

AI 可以分为以下几个层面： 1. 概念层面： AI 即人工智能。 生成式 AI 生成的内容称为 AIGC。 2. 学习方式层面： 机器学习，包括监督学习（有标签的训练数据，算法目标是学习输入和输出之间的映射关系，包括分类和回归）、无监督学习（学习的数据没有标签，算法自主发现规律，经典任务如聚类）、强化学习（从反馈里学习，最大化奖励或最小化损失，类似训小狗）。 3. 技术方法层面： 深度学习，参照人脑有神经网络和神经元（因有很多层所以叫深度），神经网络可用于监督学习、无监督学习、强化学习。 生成式 AI 可以生成文本、图片、音频、视频等内容形式。 LLM 即大语言模型，对于生成式 AI，生成图像的扩散模型不是大语言模型；对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型可用于语义理解（不擅长文本生成），像上下文理解、情感分析、文本分类。 4. 技术里程碑层面：2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制（SelfAttention）来处理序列数据，无需依赖循环神经网络（RNN）或卷积神经网络（CNN）。

以下是快速生产训练语料的一些方法： 1. 在 LORA 模型训练中： 首先在脚本的 LoraTraining 目录下新建训练文件夹命名为 train。 如果需要训练多个概念，就在（input_角色名称）下面再新建一个文件夹，命名写（训练次数_角色名称_泳装）进行文件夹区分。 在脚本根目录下面建立一个训练文件夹（train），在（train）文件夹内建立一个概念文件夹和一个正则化文件夹（reg，不需要正则化可不建立），在概念文件夹内建立训练素材文件夹（训练素材文件夹前面的需要加“_”你想训练的次数）之后将训练素材放置进去即可。 正则化素材方面，正则化在深度学习中指的是给模型加一些规则和约束，限制要优化的参数有效防止过拟合。假设在训练集里面放入了一个泳装角色的训练素材，那么为了防止过拟合的问题，在正则化文件夹内放入一些同样是泳装的图片素材。正则化素材注意不要过多，不然机器会过多的学习到里面的素材导致跟训练目标角色不一致。 2. 对于神经网络大模型： 大模型生成文字的过程，是根据输入的文字，预测下一个字。通过一次又一次反复的调用同一个神经网络模型，一个一个字的往后续写，直到输出结束符号为止。 大模型的输出并不是一个字，而是所有字都输出一个概率。可以选择最高概率的或者第二高的汉字作为输出结果，也可以从前几名当中随机挑选。 可以将任何网络上的文本直接当作训练素材来训练神经网络模型。把任意一段文字的前几个字作为输入，而下一个字作为答案用做训练素材，从而方便地得到大量的训练素材。 3. 在雅思口语备考中： 如果时间充裕，建议把每个 topic 的问题喂给 GPT，让它一道道问您，您回答，然后转成文本查看发音问题。 让 GPT 对您的内容执行 correct 或者 another native answer 两个指令。前者可以基于您的内容做修正，后者是在自己完全没思路时让它给出答案。 对语料进行分类归纳，如按照教育、工作、购物、科技、消费分成几大类，再弄吃、环保、交通、历史等专题，挑最不熟悉、现场水不出来的准备。考前 1 小时，再顺一遍语料，多看两眼关键表达。

以下是关于您问题的回答： 在医疗领域，存在一种智能体，其在提示词中约定回答只能来自于知识库。例如生物医药小助手，为了避免在医疗这个严肃领域出现误导性的回答，其回答被限制在特定的知识库范围内，可能存在问题超出知识库范畴的情况，但尚未发现有医学上不严谨的回答现象。 同时，模型存在一定的局限性。在训练过程中，模型虽接触大量知识，但未完美记忆且不清楚知识边界，可能尝试回答深奥话题并虚构不正确内容，产生幻觉。例如要求模型描述虚构的牙刷产品时，会给出逼真但虚构的描述。在构建应用程序时，可使用一些技术避免这种情况，如要求模型先从文本中找相关引文，再用引文回答问题并追溯源文件，以减少幻觉的发生。 另外，“小模型”在特定任务上表现出色，如专门识别猫或狗的模型，但无法用于其他任务。而“大模型”像多功能基础平台，能处理多种任务，应用范围广泛且有更多通识知识，但大模型的知识来源于有限的训练数据，不能拥有无限知识，且知识库不会自动更新，在某些特定或专业领域知识可能不够全面。

以下是为您提供的语料库训练相关文档： 中文数据集 |ID|标题|更新日期|数据集提供者|许可|说明|关键字|类别|论文地址|备注| ||||||||||| |6||2020 年|CLUE||CLUENER2020 数据集，是在清华大学开源的文本分类数据集 THUCTC 基础上，选出部分数据进行细粒度命名实体标注，原数据来源于 Sina News RSS。数据包含 10 个标签类别，训练集共有 10748 条语料，验证集共有 1343 条语料|细粒度；CULE|命名实体识别|\\|中文| |7||英文| |8||||EMNLP2015|命名实体识别||| |9||2005 年|MSR/PKU|||bakeoff2005|命名实体识别||| TTS 超全教程 音库制作和文本前端 音库制作 音频录制 音频的录制对合成语音的表现较为重要，较差的语音甚至会导致端到端声学模型无法正常收敛。用于训练的录音至少要保证录音环境和设备始终保持一致，无混响、背景噪音；原始录音不可截幅；如果希望合成出来的语音干净，则要删除含口水音、呼吸音、杂音、模糊等，但对于目前的端到端合成模型，有时会学习到在合适的位置合成呼吸音、口水音，反而会增加语音自然度。录音尽可能不要事先处理，语速的调节尚可，但调节音效等有时会造成奇怪的问题，甚至导致声学模型无法收敛。音频的录制可以参考录音公司的标准，购买专业麦克风，并保持录音环境安静即可。在音库录制过程中，可尽早提前尝试声学模型，比如音库录制 2 个小时语音后，就可尝试训练基线语音合成系统，以防止录音不符合最终的需求。 语料整理 检查文本和录制的语音是否一一对应，录制的音频本身一句话是否能量渐弱，参与训练的语音前后静音段要保持一致，能量要进行规范化。可使用预训练的语音活动检测（Voice Activity Detection，VAD）工具，或者直接根据语音起止的电平值确定前后静音段。可以使用一些开源的工具，比如统一所有语音的整体能量，这将有助于声学模型的收敛。当然，在声学模型模型训练时，首先就要对所有语料计算均值方差，进行统一的规范化，但是这里最好实现统一能量水平，防止一句话前后能量不一致。能量规整的示例代码如下。

以下是关于投喂语料库给 AI 的一些方法和步骤： 在音乐学习方面： 1. 步骤 3：把 Midi 导出到 MP3 虚拟演奏文件。可以直接导总谱，也可以分轨导出（适用于不同乐器组合）。由于制谱软件有很重的 midi 味，有时需要调整乐器音色。320kbit 码率是各大音乐平台的门槛，而向 Suno 导出的是 192k 的，后期如果想输出到 QQ 音乐之类，需要转个码。导出以后就可以喂给 AI 了。修改音色这一步不是必须，也有很多染色的软件可以用，比如用 Neutron4 从 Youtube 上面下载一些自己喜欢的乐器音色（比如雅马哈大钢琴），然后用宿主软件打开插件，导入这段音频，就可以实现渲染。 2. 步骤 4：丢给 AI 做二次创作。比较喜欢丢完整的小节给 AI，这样节奏的识别性更好，当然也可以在中间掐断，AI 的识别能力还是不错的。接下来就是细化去 roll 后面的部分，大家可以自由发挥。 在 OpenAI 方面： 如果作为输入的一部分提供，模型可以利用外部信息源。这可以帮助模型生成更明智和最新的响应。例如，如果用户询问有关特定电影的问题，将有关电影的高质量信息（例如演员、导演等）添加到模型的输入中可能会很有用。嵌入可用于实现高效的知识检索，以便在运行时将相关信息动态添加到模型输入中。文本嵌入是一个向量，可以衡量文本字符串之间的相关性。相似或相关的字符串将比不相关的字符串靠得更近。这一事实以及快速向量搜索算法的存在意味着嵌入可用于实现高效的知识检索。特别是，一个文本语料库可以被分割成块，每个块都可以被嵌入和存储。然后，给定的查询可以被嵌入，可以进行向量搜索，以找到与查询最相关的语料库的嵌入文本块（即，在嵌入空间中最接近的）。可以在中找到示例实现。有关如何使用知识检索来最小化模型编造错误事实的可能性的示例，请参阅策略“指示模型使用检索到的知识来回答查询”。

大模型中的 temperature 参数用于控制模型输出的随机性。具体来说： 当 temperature 参数值较小时，模型会返回更确定的结果。 调高 temperature 参数值，模型可能会返回更随机的结果，带来更多样化或更具创造性的产出。 在实际应用中，对于质量保障（QA）等任务，可设置更低的 temperature 值，促使模型基于事实返回更真实和简洁的结果。 对于诗歌生成或其他创造性任务，可以适当调高 temperature 参数值。 同时，一般建议在调整参数时，改变 Temperature 和 Top P 其中一个参数就行，不用两个都调整。

以下是搭建扣子智能体提取抖音文案并进行改写所需的插件、配置参数及步骤： 1. 插件搭建： 点击个人空间，选择插件，点击创建插件。 插件名称：使用中文，根据需求起名。 插件描述：说明插件的用途和使用方法。 插件工具创建方式：选择云侧插件基于已有服务创建，填入所使用 API 的 URL。 在新的界面点击创建工具，填写工具的基本信息，如工具名称（只能使用字母、数字和下划线）、工具描述、工具路径（以“/”开始，若使用 path 方式传参，用“{}”包裹变量）、请求方法等，结束后点击保存并继续。 2. 配置输入参数： 点击新增参数，填写所有需要使用的参数，保存并继续。 3. 配置输出参数： 如果一切填写正确，可直接点击自动解析，会自动调用一次 API 给出对应的输出参数。 填入汉字“张”，点击自动解析。 解析成功后显示解析成功，可看到输出参数已填好，然后点击保存并继续。 4. 调试与校验： 测试工具是否能正常运行。 运行后查看输出结果，Request 为输入的传参，Response 为返回值，点击 Response 可看到解析后的参数。 此外，安仔使用 Coze 免费创建 24 小时英语陪练的步骤包括： 1. 打开扣子首页，点击左上角创建 AI Bot 按钮。 2. 在弹窗输入 Bot 相关信息。 3. 设计人设与回复逻辑，根据功能需求设计提示词。 4. 调整模型设置，如改为 20 轮对话记录。 5. 选择使用插件，如英文名言警句、Simple OCR 等。 6. 设置开场白和预置问题。 7. 设置语音，选择亲切的英语音色。

|模型名称|版本|发布时间|发布公司|模型参数|性能特点|适合应用| |||||||| |Baichuan213BChat|Baichuan2192K|10月31日|百川智能|未提及|在逻辑推理、知识百科、生成与创作、上下文对话等基础能力上排名200亿参数量级国内模型第一，在计算和代码能力上有一定优化空间|场景相对广泛且可以私有化部署，重点推荐在小说/广告/公文写作等内容创作场景、智能客服/语音助手以及任务拆解规划等场景，可部署在教育、医疗、金融等垂直行业中应用，同时可部署在低算力终端处理基础智能任务| |文心一言|V4.0|10月17日|百度|未提及|在计算、逻辑推理、生成与创作、传统安全这4大基础能力上排名国内第一，在代码、知识与百科、语言理解与抽取、工具使用能力上排名国内前三，各项能力表现均衡且绝大部分能力有很高的水平|能力栈较为广泛，可应用的场景较多，重点推荐在查询搜索知识应用、任务拆解规划Agent、文案写作以及代码编写及纠错等方面的应用，由于在逻辑推理方面的不俗表现，可以重点关注在科学研究、教育、工业方面的落地能力| |通义千问 2.0|2.0|10月31日|阿里云|千亿级参数|未提及|未提及|

Token 与参数存在密切关系。在大模型中，用于表达 token 之间关系的参数众多，主要指模型中的权重（weight）与偏置（bias）。例如，GPT3 拥有 1750 亿参数，而词汇表 token 数相对较少，只有 5 万左右。 目前使用的大模型存在 token 限制，如 Claude2100k 模型的上下文上限是 100k Tokens（100000 个 token），ChatGPT16k 模型的上下文上限是 16k Tokens（16000 个 token），ChatGPT432k 模型的上下文上限是 32k Tokens（32000 个 token）。这种 token 限制同时对一次性输入和一次对话的总体上下文长度生效，当达到上限时不是停止对话，而是遗忘最前面的对话。 在分词过程中，不同的字符串会被编码为不同的 token，例如字符串“Tokenization”编码到 token30642 及其后的 token1634，token“is”（包括前面的空格）是 318 等。数字的分解可能不一致，如 127 是由 3 个字符组成的 token，677 是 2 个 token 等。 为了让计算机理解 Token 之间的联系，需要把 Token 表示成稠密矩阵向量，这个过程称为 embedding，常见算法包括基于统计的 Word2Vec、GloVe 等，基于深度网络的 CNN、RNN/LSTM 等，基于神经网络的 BERT、Doc2Vec 等。以 Transform 为代表的大模型采用自注意力机制来学习不同 token 之间的依赖关系，生成高质量 embedding。

以下是关于 AI 大模型常用参数的相关内容： 1. 架构方面： Encoderonly：适用于自然语言理解任务，如分类和情感分析，代表模型是 BERT。 Encoderdecoder：结合 Transformer 架构的 encoder 和 decoder 来理解和生成内容，用例包括翻译和摘要，代表是谷歌的 T5。 Decoderonly：更擅长自然语言生成任务，众多 AI 助手采用此结构，如 ChatGPT。 2. 规模方面： 预训练数据量大，往往来自互联网上的论文、代码、公开网页等，一般用 TB 级别数据进行预训练。 参数众多，如 Open 在 2020 年发布的 GPT3 就已达到 170B 的参数。参数指的是神经网络的输入权重和输出阈值的总和。假定一个神经元有 9 个输入权重和 1 个输出阈值，就有 10 个参数。当有 100 亿个这样的神经元时，就形成千亿级参数的大模型。 3. 模型部署方面： 在 LLM 中，Token 是输入的基本单元。由于大模型参数多，如 GPT2 有 1.5B 参数，每个参数用 float32 表示需 6GB 内存，更先进的模型如 LLAMA 有 65B 参数则需 260G 内存（还不考虑词汇表）。因此实际部署时会进行模型压缩。 在训练 LLM 中，CPU 与内存之间的传输速度往往是系统瓶颈，核心数反而不是大问题，减小内存使用是首要优化点。使用内存占用更小的数据类型是直接方式，如 16 位浮点数可将内存使用减倍。目前有几种相互竞争的 16 位标准，英伟达在其最新一代硬件中引入了对 bfloat16 的支持。

大模型的系统提示词主要包括以下方面： 1. 在“五津：一键生成‘摸鱼打工猫’视频”中，针对用户选择的主题和回答，总结用户的创作意图，如“打工猫摸鱼的 2 小时，在巴厘岛能看一场日落”，并根据此生成 4 组体现幽默风趣、以宫崎骏风格描绘主角为摸秋刀鱼橘猫的绘图提示词，以数组形式输出到“tishici”，将用户意图输出到“biaoti”。 2. 在“云中江树：智能对决：提示词攻防中的 AI 安全博弈”中，系统提示词的相关防御措施分为输入侧、模型侧和输出侧三个部分。输入侧可进行意图识别、语义匹配等综合判断用户输入是否恶意；模型侧对于有能力的厂商应增强安全性并平衡性能，开发者则要在开发中带着安全意识优化系统提示词，加入安全引导和禁止内容等；输出侧可使用传统防御和内容过滤手段，并针对大模型特点进行私有数据泄露等检查。此外，还提到间接注入和提示词泄露的情况，间接注入常发生在应用获取依赖外部数据资源时，攻击者通过隐藏恶意指令完成攻击；提示词泄露指试图操纵模型输出获取部分或全部系统提示词，大模型输出内容可分为系统提示词、用户提示和助手提示词三段，通过攻击手段可获取系统提示词。

以下是对通义千问 Qwen2.5VL 模型的介绍： 版本：有 3B、7B 和 72B 三个尺寸版本。 主要优势： 视觉理解能力：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。 视频理解能力：支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。 万物识别：擅长识别常见物体及分析图像中的文本、图表、图标、图形和布局。 精准的视觉定位：采用矩形框和点的多样化方式对通用物体定位，支持层级化定位和规范的 JSON 格式输出。 全面的文字识别和理解：提升 OCR 识别能力，增强多场景、多语言和多方向的文本识别和文本定位能力。 Qwen 特色文档解析：设计了更全面的文档解析格式，称为 QwenVL HTML 格式，能够精准还原文档中的版面布局。 增强的视频理解：引入动态帧率（FPS）训练和绝对时间编码技术，支持小时级别的超长视频理解，具备秒级的事件定位能力。 开源平台： Huggingface：https://huggingface.co/collections/Qwen/qwen25vl6795ffac22b334a837c0f9a5 Modelscope：https://modelscope.cn/collections/Qwen25VL58fbb5d31f1d47 Qwen Chat：https://chat.qwenlm.ai 然而，对于阶跃星辰 step1.5vmini 和 Gemini2.0Flash 模型，目前提供的信息中未包含其与通义千问 Qwen2.5VL 模型的直接对比内容，因此无法确切判断哪个模型在视觉理解方面最厉害。但从通义千问 Qwen2.5VL 模型的上述特点来看，其在视觉理解方面具有较强的能力和优势。

目前在视频视觉理解能力方面表现出色的大模型有： 1. 昆仑万维的 SkyReelsV1：它不仅支持文生视频、图生视频，还是开源视频生成模型中参数最大的支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其具有影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等优势。 2. 通义千问的 Qwen2.5VL：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。擅长万物识别，能分析图像中的文本、图表、图标、图形和布局等。

目前全世界较为厉害的视频视觉理解大模型有以下几个： 1. 昆仑万维的 SkyReelsV1：不仅支持文生视频、图生视频，是开源视频生成模型中参数最大且支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其优势包括影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等。 2. 腾讯的混元：语义理解能力出色，能精准还原复杂的场景和动作，如特定品种的猫在复杂场景中的运动轨迹、从奔跑到跳跃的动作转换、琴音化作七彩音符等。 3. Pixverse V3.5：全球最快的 AI 视频生成模型，Turbo 模式下可在 10 秒内生成视频，最快仅需 5 6 秒。支持运动控制更加稳定、细节表现力强、首尾帧生成功能，具备顶尖动漫生成能力。

目前在视觉理解大模型方面，较为突出的有 DeepSeek 的 JanusPro 模型，它将图像理解和生成统一在一个模型中；还有通义千问的视觉理解模型，其价格有较大降幅。此外，Pixverse V3.5 是全球最快的 AI 视频生成模型，在某些方面也展现出了出色的能力。但很难确切地指出全世界最厉害的视觉理解大模型，因为这取决于不同的评估标准和应用场景。

大模型对话产品具有以下优点： 1. 具有强大的语言理解和生成能力。 2. 能够提供类似恋爱般令人上头的体验，具有一定的“想象力”和“取悦能力”。 3. 可以通过陪聊建立人和 AI 之间的感情连接，产品粘性不完全依赖技术优越性。 4. 能够为用户提供产品咨询服务，适用于有企业官网、钉钉、微信等渠道的客户。 5. 具有多种应用场景，如私有领域知识问答、个性化聊天机器人、智能助手等。 大模型对话产品也存在一些缺点： 1. 存在记忆混乱的问题。 2. AI 无法主动推动剧情，全靠用户脑补，导致用户上头期短，疲劳度高，长期留存低。 3. 无法回答私有领域问题（如公司制度、人员信息等）。 4. 无法及时获取最新信息（如实时天气、比赛结果等）。 5. 无法准确回答专业问题（如复杂数学计算、图像生成等）。

AGI 指通用人工智能。在公众传播层面，部分人觉得大语言模型（LLM）具有 AGI 潜力，但也有人反对。通用人工智能被定义为一种能够完成任何聪明人类所能完成的智力任务的人工智能。例如，OpenAI 原计划在 2027 年发布的 Q2025（GPT8）将实现完全的 AGI，但由于一些原因被推迟。GPT3 及其半步后继者 GPT3.5 在某种程度上是朝着 AGI 迈出的巨大一步。

AGI 即通用人工智能（Artificial General Intelligence），通常指一种能够完成任何聪明人类所能完成的智力任务的人工智能系统，能够在许多领域内以人类水平应对日益复杂的问题。例如，OpenAI 致力于实现 AGI，其研发的 ChatGPT 是朝着 AGI 迈出的巨大一步。Sam Altman 认为确保 AGI 造福全人类是使命，人工通用智能是人类进步脚手架上的另一个工具，可能带来治愈所有疾病、有更多时间与家人共享、充分发挥创造潜力等美好前景。

API 是应用程序编程接口（Application Programming Interface）的缩写。它是软件之间进行交互和数据交换的接口，使得开发者能够访问和使用另一个程序或服务的功能，而无需了解其内部实现的详细信息。 API 就像是一个信差，接受一端的请求，告诉那边的系统您想要做的事情，然后把返回的信息发回给您。 APIKey 是一种实现对 API 访问控制的方法，通常是一串字符串，用于身份验证和访问控制。当开发者或应用程序尝试通过 API 与另一个程序或服务交互时，APIKey 作为请求的一部分被发送，以证明请求者具有调用该 API 的权限。APIKey 帮助服务提供商识别调用者身份，监控和控制 API 的使用情况，以及防止未经授权的访问。 要使用 API，通常需要去官网寻找 API 文档，API 的规则一般会写在网站的开发者相关页面或 API 文档里。例如，TMDB 的搜索电影 API 文档的网址是：https://developer.themoviedb.org/reference/searchmovie 。在 API 文档中，会详细告知如何使用相应的 API，包括请求方法、所需的查询参数等。您可以在文档中进行相关配置和操作。 登录网站寻找 Apikeys 创建新的密钥（记得保存好、不要泄露）。使用 APIKEY 可能需要单独充值，一共有两种模式可以使用： 1. 使用官方的 key 网站：https://platform.openai.com/apikeys 创建好您的 key 后记得复制保存。 2. 如果觉得充值比较麻烦可以考虑用第三方的网站：https://www.gptapi.us/register?aff=WLkA ，这个充值起来方便一些，模型选择也可以多一些。

AGI 指通用人工智能（Artificial General Intelligence），是一种能够像人类一样思考、学习和执行多种任务的人工智能系统。 部分人认为大语言模型（LLM）具有 AGI 潜力，例如 ChatGPT 背后的技术，而 LeCun 反对这一观点。 OpenAI 曾有关于实现 AGI 的计划，如原计划在 2026 年发布的 Q下一阶段（最初被称为 GPT6，后重新命名为 GPT7）因埃隆·马斯克的诉讼而被暂停。 在公众传播层面，AIGC 指用 Stable Diffusion 或 Midjourney 生成图像内容，后来泛指用 AI 生成音乐、图像、视频等内容；LLM 指 NLP 领域的大语言模型；GenAI 是生成式人工智能模型，国内官方政策文件使用这个词相对科学，涵盖了 LLM 和 AIGC。

AI Infra 通常指的是人工智能基础设施。随着越来越多的 AI 模型和产品的出现，AI Infra 所涵盖的工具变得愈发重要，这些工具能够帮助构建、改进和监控 AI 模型及产品。 例如，硅基流动致力于打造大模型时代的 AI 基础设施平台，通过算法、系统与硬件的协同创新，跨数量级降低 AI 应用的开发和使用门槛，加速 AGI 普惠人类。 在一些相关的产品和服务中，如 EdenAI 帮助 AI 创作者为其产品选择合适的 AI API 并在它们之间切换，Langdoc 能快速创建和部署 LLM 插件或应用程序，Langfuse 可追踪和调试复杂的 LLM 应用程序，这些都属于 AI Infra 的范畴。

AGI 即通用人工智能（Artificial General Intelligence），指的是一种能够完成任何聪明人类所能完成的智力任务的人工智能系统。能够像人类一样思考、学习和执行多种任务，在许多领域内以人类水平应对日益复杂的问题。例如，OpenAI 致力于实现 AGI，其研发的 GPT 系列模型在某种程度上是朝着 AGI 迈出的巨大一步。像 ChatGPT 这样的产品就是由致力于 AGI 的 OpenAI 研发的。同时，Sam Altman 也认为确保 AGI 造福全人类是重要使命，AGI 可以被看作是人类进步脚手架上的另一个工具，可能带来治愈所有疾病、有更多时间与家人共享、充分发挥创造潜力等美好前景。