术语表

​

上下文窗口

“上下文窗口”是指语言模型在生成新文本时可以回顾和参考的文本量。这与语言模型训练所使用的大型语料库数据不同，而是代表了模型的”工作记忆”。较大的上下文窗口允许模型理解和响应更复杂和冗长的提示，而较小的上下文窗口可能会限制模型处理较长提示或在长对话中保持连贯性的能力。

请参阅我们的模型比较表，了解各模型的上下文窗口大小列表。

​

微调

微调是使用额外数据对预训练语言模型进行进一步训练的过程。这会导致模型开始表示和模仿微调数据集的模式和特征。Claude 不是一个原始的语言模型，它已经经过微调成为一个有用的助手。我们的 API 目前不提供微调功能，但如果您有兴趣探索这个选项，请与您的 Anthropic 联系人沟通。微调可用于使语言模型适应特定领域、任务或写作风格，但需要仔细考虑微调数据以及对模型性能和偏差的潜在影响。

​

HHH

这三个 H 代表 Anthropic 在确保 Claude 有益于社会方面的目标：

• **Helpful（有帮助）**的 AI 会尽最大努力执行给定的任务或回答问题，提供相关和有用的信息。
• **Honest（诚实）**的 AI 会给出准确的信息，不会臆想或编造。在适当的时候，它会承认自己的局限性和不确定性。
• **Harmless（无害）**的 AI 不会冒犯或歧视他人，当被要求协助危险或不道德的行为时，AI 应礼貌地拒绝并解释无法遵从的原因。

​

延迟

在生成式 AI 和大型语言模型的背景下，延迟是指模型响应给定提示所需的时间。它是提交提示和收到生成输出之间的延迟。较低的延迟表示响应时间更快，这对实时应用、聊天机器人和交互式体验至关重要。影响延迟的因素包括模型大小、硬件能力、网络条件以及提示和生成响应的复杂性。

​

LLM

大型语言模型（LLM）是具有许多参数的 AI 语言模型，能够执行各种出人意料的有用任务。这些模型在大量文本数据上进行训练，可以生成类似人类的文本、回答问题、总结信息等。Claude 是一个基于大型语言模型的对话助手，经过微调和 RLHF 训练，使其更加有帮助、诚实和无害。

​

预训练

预训练是在大型未标记文本语料库上初步训练语言模型的过程。就 Claude 而言，自回归语言模型（如 Claude 的底层模型）经过预训练，以根据文档中先前的文本上下文预测下一个单词。这些预训练模型本身并不擅长回答问题或遵循指令，通常需要深厚的提示工程技能才能引出期望的行为。微调和 RLHF 用于改进这些预训练模型，使其更适用于广泛的任务。

​

RAG（检索增强生成）

检索增强生成（RAG）是一种结合信息检索和语言模型生成的技术，旨在提高生成文本的准确性和相关性，并更好地将模型的响应建立在证据基础上。在 RAG 中，语言模型通过传入上下文窗口的外部知识库或一组文档来增强。当查询发送到模型时，数据在运行时检索，尽管模型本身不一定检索数据（但可以使用工具使用和检索函数）。在生成文本时，首先必须根据输入提示从知识库中检索相关信息，然后将其与原始查询一起传递给模型。模型使用这些信息来指导其生成的输出。这允许模型访问和利用超出其训练数据的信息，减少对记忆的依赖，提高生成文本的事实准确性。RAG 对需要最新信息、特定领域知识或明确引用来源的任务特别有用。然而，RAG 的有效性取决于外部知识库的质量和相关性以及在运行时检索的知识。

​

RLHF

人类反馈强化学习（RLHF）是一种用于训练预训练语言模型以符合人类偏好的方式行事的技术。这可以包括帮助模型更有效地遵循指令或更像聊天机器人。人类反馈包括对两个或多个示例文本进行排名，强化学习过程鼓励模型偏好与排名较高的输出相似的输出。Claude 已经使用 RLHF 进行训练，成为一个更有帮助的助手。有关更多详情，您可以阅读 Anthropic 关于该主题的论文。

​

温度

温度是一个参数，用于控制模型在文本生成过程中预测的随机性。较高的温度会导致更有创意和多样化的输出，允许在措辞上有多种变化，在小说的情况下，答案也会有变化。较低的温度会产生更保守和确定性的输出，坚持最可能的措辞和答案。调整温度可以鼓励语言模型探索罕见、不常见或令人惊讶的单词选择和序列，而不仅仅选择最可能的预测。Claude Slackbot 在生成响应时使用非零温度，这允许其答案有一些变化，同时保持连贯性和相关性。

​

TTFT（首个 token 生成时间）

首个 token 生成时间（TTFT）是一个性能指标，用于衡量语言模型在收到提示后生成输出的第一个 token 所需的时间。它是模型响应能力的重要指标，对交互式应用、聊天机器人和用户期望快速初始反馈的实时系统尤为重要。较低的 TTFT 表示模型可以更快地开始生成响应，提供更无缝和吸引人的用户体验。影响 TTFT 的因素包括模型大小、硬件能力、网络条件以及提示的复杂性。

​

Tokens

Tokens 是语言模型的最小单个单位，可以对应单词、子词、字符，甚至字节（在 Unicode 的情况下）。对于 Claude，一个 token 大约代表 3.5 个英文字符，但具体数量可能因使用的语言而异。在与语言模型进行”文本”级别的交互时，tokens 通常是隐藏的，但在检查语言模型的确切输入和输出时就变得相关了。当向 Claude 提供要评估的文本时，文本（由一系列字符组成）被编码为一系列 tokens 供模型处理。较大的 tokens 可以在推理和预训练期间提高数据效率（并尽可能使用），而较小的 tokens 允许模型处理不常见或从未见过的单词。分词方法的选择可能会影响模型的性能、词汇量大小以及处理词汇表外单词的能力。