Common Crawl 技术
Common Crawl 是每月更新的开源网页爬取存档（数百 TB），是大模型预训练语料的主要来源，经清洗（C4、FineWeb）后用于 GPT、LLaMA 等模型训练。
百科
大模型 · 万物互联 · 人工智能的结构化知识库。人人可阅读、可贡献、可追溯。
学科分类
最新收录
偏好数据 技术
偏好数据是「同一提示下多个输出的人为排序/比较」集合，用于训练奖励模型与 DPO，是 RLHF 的核心原料，采集成本高、标注主观性强。
指令数据集 技术
指令数据集是「指令-回答」样本集合，用于指令微调（SFT）与对齐：人工撰写（InstructGPT）、模型生成（Alpaca 自举）与混合增强，其质量决定对话模型基础能力。
基准测试 概念
基准测试（Benchmark）是固定任务与数据上的标准化评测，用于横向比较模型：ImageNet、GLUE、MMLU、HumanEval 等，是 AI 研究迭代与排行榜竞争的核心工具。
GSM8K 技术
GSM8K 是 2021 年发布的 8500 道小学数学应用题基准（含逐步解答），是评测大模型数学推理的行业标准，思维链（CoT）在此显著提升准确率。
数据清洗 技术
数据清洗去除重复、噪声、错误与有害内容（去重、去毒、过滤、格式规范化），大模型时代「数据工程」对模型质量影响关键，如 RedPajama、FineWeb 等清洗管线。
数据标注 技术
数据标注为原始数据添加标签（分类、框选、分割、文本标注），是监督学习的必要环节，有人工、半自动与 AI 辅助标注（大模型），标注质量直接决定模型上限。
LAION-5B 技术
LAION-5B 是 2022 年发布的 58.5 亿图文对数据集（网页爬取+CLIP 过滤），是 Stable Diffusion 等文生图模型的训练基础，也因版权争议成为 AI 版权诉讼焦点。
HumanEval 技术
HumanEval 是 OpenAI 2021 年发布的代码生成基准：164 道手写编程题（函数签名+docstring），以 pass@k 评测，是 Codex 与代码大模型的标配评测。
SQuAD 技术
SQuAD 是斯坦福发布的抽取式问答数据集：10 万+ 问题基于维基百科段落，SQuAD 1.1（2016）与 2.0（不可回答，2018）是阅读理解基准，BERT 曾在此首超人类。
MMLU 技术
MMLU 是 2020 年发布的通用知识多项选择基准：57 个学科、1.4 万道题，覆盖人文、社科、理工与专业领域，是大模型「通识能力」的行业标准评测。
GLUE 技术
GLUE 是 2019 年发布的多任务 NLP 理解基准（9 个任务：情感、蕴含、NLI、相似度等），与 SuperGLUE 一起成为 BERT 时代语言模型的标尺。
COCO 技术
COCO 是 2014 年发布的视觉识别数据集：33 万张图像、80 类物体，标注实例分割、关键点与图像描述，是目标检测与分割的事实标准基准。
ImageNet 技术
ImageNet 是 1400 万张、2.2 万类图像的经典视觉数据集，其 ILSVRC 挑战赛（2010-2017）见证了 AlexNet 引爆深度学习，至今仍是图像分类基准。
数据集 概念
数据集是 AI 训练与评估的基础资产，按用途分训练/验证/测试集，类型覆盖文本、图像、语音、多模态与结构化数据，其规模与质量决定模型能力上限。
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
- SAC
- Segment Anything
- Sora
- SPARQL
- SQuAD
- SSD
- Stable Diffusion
- StyleGAN
- SuperGLUE
- SWE-bench
- 三维重建
- 上下文窗口
- 上下文学习
- 少样本学习
- 射频识别
- 深度Q网络
- 深度合成标识
- 深度强化学习
- 深度伪造
- 深度学习
- 深度学习
- 深度学习框架
- 神经符号AI
- 神经辐射场
- 神经网络
- 神经网络
- 生成对抗网络
- 生成式人工智能服务管理暂行办法
- 生成式智能体
- 时间敏感网络
- 时序差分学习
- 时序知识图谱
- 实例分割
- 实体链接
- 实体消歧
- 世界模型
- 事理图谱
- 视觉SLAM
- 视觉Transformer
- 视觉问答
- 视觉语言模型
- 视频理解
- 视频生成
- 数据版权
- 数据标注
- 数据标注伦理
- 数据管线
- 数据集
- 数据切分
- 数据清洗
- 数据投毒
- 数据增强
- 数据增强
- 数据中心GPU
- 数字鸿沟
- 数字孪生
- 数字人
- 数字人
- 数字员工
- 思维链
- 搜索算法
- 算法透明度
- 算法问责
- 算力
- 算力调度
- 算力集群
- 算力交易
- 算力租赁
- 随机森林
- 损失函数
T
U
V
W
X
Y
Z
- Zigbee
- 在策略学习
- 责任AI
- 窄带物联网
- 张量核心
- 折扣因子
- 正则化
- 政务AI
- 支持向量机
- 知情同意
- 知识表示
- 知识表示学习
- 知识抽取
- 知识库
- 知识图谱
- 知识图谱补全
- 知识图谱构建
- 知识图谱嵌入
- 知识图谱问答
- 知识图谱与LLM融合
- 知识推理
- 知识追踪
- 指令数据集
- 指令微调
- 智慧城市
- 智慧农业
- 智慧文旅
- 智慧物流
- 智能办公
- 智能城市
- 智能穿戴设备
- 智能绘画
- 智能计量
- 智能家居
- 智能客服
- 智能农业
- 智能视频分析
- 智能搜索
- 智能体Agent
- 智能体安全
- 智能体编排
- 智能体工具链
- 智能体工作流
- 智能体评估
- 智能投顾
- 智能推荐
- 智能网关
- 智能网卡
- 智能写作
- 智能营销
- 智能制造
- 智能质检
- 智能座舱
- 智算中心
- 重要性采样
- 主成分分析
- 注意力机制
- 注意力机制
- 状态价值函数
- 姿态估计
- 自编码器
- 自动化决策
- 自动驾驶
- 自动驾驶芯片
- 自监督学习
- 自然语言处理
- 自主决策
- 自主智能体