​
上下文視窗

「上下文視窗」指的是語言模型在生成新文本時可以回顧和參考的文本量。這與語言模型訓練時使用的大型語料庫不同，而是代表模型的「工作記憶」。較大的上下文視窗允許模型理解並回應更複雜和更長的提示，而較小的上下文視窗可能會限制模型處理較長提示或在延伸對話中保持連貫性的能力。

查看我們的理解上下文視窗指南了解更多。

​
微調

微調是使用額外數據對預訓練語言模型進行進一步訓練的過程。這會使模型開始表現和模仿微調數據集的模式和特徵。Claude 不是一個基礎語言模型；它已經經過微調成為一個有幫助的助手。我們的 API 目前不提供微調功能，但如果您有興趣探索這個選項，請聯繫您的 Anthropic 聯絡人。微調對於使語言模型適應特定領域、任務或寫作風格很有用，但它需要仔細考慮微調數據及其對模型性能和偏見的潛在影響。

​
HHH

這三個 H 代表 Anthropic 確保 Claude 對社會有益的目標：

  • 一個有幫助的 (helpful) AI 將嘗試盡其所能執行任務或回答問題，提供相關且有用的信息。
  • 一個誠實的 (honest) AI 將提供準確的信息，不會產生幻覺或虛構內容。它會在適當時候承認自己的局限性和不確定性。
  • 一個無害的 (harmless) AI 不會具有冒犯性或歧視性，當被要求協助危險或不道德的行為時，AI 應禮貌地拒絕並解釋為何無法遵從。

​
延遲

在生成式 AI 和大型語言模型的背景下，延遲指的是模型對給定提示做出回應所需的時間。它是提交提示和接收生成輸出之間的延遲。較低的延遲表示更快的響應時間，這對於實時應用、聊天機器人和互動體驗至關重要。影響延遲的因素包括模型大小、硬件能力、網絡條件以及提示和生成回應的複雜性。

​
LLM

大型語言模型 (LLM) 是具有許多參數的 AI 語言模型，能夠執行各種令人驚訝的有用任務。這些模型在大量文本數據上訓練，可以生成類似人類的文本、回答問題、總結信息等。Claude 是一個基於大型語言模型的對話助手，它已經通過微調和使用 RLHF 訓練，使其更有幫助、更誠實且更無害。

​
MCP (模型上下文協議)

模型上下文協議 (Model Context Protocol, MCP) 是一個開放協議，它標準化了應用程序如何向 LLM 提供上下文。就像 AI 應用程序的 USB-C 端口，MCP 提供了一種統一的方式將 AI 模型連接到不同的數據源和工具。MCP 使 AI 系統能夠在交互過程中保持一致的上下文，並以標準化的方式訪問外部資源。查看我們的 MCP 文檔了解更多。

​
MCP 連接器

MCP 連接器是一項功能，允許 API 用戶直接從 Messages API 連接到 MCP 服務器，而無需構建 MCP 客戶端。這使得通過 Anthropic API 與 MCP 兼容的工具和服務無縫集成成為可能。MCP 連接器支持工具調用等功能，目前處於公開測試階段。查看我們的 MCP 連接器文檔了解更多。

​
預訓練

預訓練是在大型未標記文本語料庫上訓練語言模型的初始過程。在 Claude 的情況下，自迴歸語言模型（如 Claude 的底層模型）經過預訓練，根據文檔中的前文上下文預測下一個詞。這些預訓練模型本身並不擅長回答問題或遵循指令，通常需要深厚的提示工程技巧才能引出所需的行為。微調和 RLHF 用於改進這些預訓練模型，使它們更適用於廣泛的任務。

​
RAG (檢索增強生成)

檢索增強生成 (Retrieval Augmented Generation, RAG) 是一種結合信息檢索和語言模型生成的技術，用於提高生成文本的準確性和相關性，並更好地將模型的回應建立在證據基礎上。在 RAG 中，語言模型通過外部知識庫或一組文檔進行增強，這些文檔被傳入上下文視窗中。數據在查詢發送到模型時在運行時檢索，雖然模型本身不一定檢索數據（但可以通過工具使用和檢索功能實現）。在生成文本時，首先必須根據輸入提示從知識庫中檢索相關信息，然後將其與原始查詢一起傳遞給模型。模型使用這些信息來指導它生成的輸出。這允許模型訪問和利用超出其訓練數據的信息，減少對記憶的依賴，提高生成文本的事實準確性。RAG 對於需要最新信息、特定領域知識或明確引用來源的任務特別有用。然而，RAG 的有效性取決於外部知識庫的質量和相關性，以及運行時檢索的知識。

​
RLHF

人類反饋強化學習 (Reinforcement Learning from Human Feedback, RLHF) 是一種用於訓練預訓練語言模型的技術，使其行為與人類偏好一致。這可以包括幫助模型更有效地遵循指令或更像聊天機器人。人類反饋包括對兩個或更多示例文本進行排名，強化學習過程鼓勵模型偏好與排名較高的文本相似的輸出。Claude 已經使用 RLHF 訓練成為一個更有幫助的助手。有關更多詳情，您可以閱讀 Anthropic 關於這個主題的論文。

​
溫度

溫度是一個參數，用於控制模型在文本生成過程中預測的隨機性。較高的溫度會導致更具創意和多樣化的輸出，允許在措辭上有多種變化，在小說的情況下，答案也會有變化。較低的溫度會產生更保守和確定性的輸出，堅持最可能的措辭和答案。調整溫度使用戶能夠鼓勵語言模型探索罕見、不常見或令人驚訝的詞彙選擇和序列，而不僅僅是選擇最可能的預測。

​
TTFT (首個標記時間)

首個標記時間 (Time to First Token, TTFT) 是一個性能指標，用於測量語言模型在接收提示後生成其輸出的第一個標記所需的時間。它是模型響應能力的重要指標，對於交互式應用程序、聊天機器人和實時系統尤為重要，因為用戶期望快速的初始反饋。較低的 TTFT 表示模型可以更快地開始生成回應，提供更流暢和吸引人的用戶體驗。影響 TTFT 的因素包括模型大小、硬件能力、網絡條件和提示的複雜性。

​
標記

標記是語言模型的最小個體單位，可以對應於單詞、子詞、字符甚至字節（在 Unicode 的情況下）。對於 Claude，一個標記大約代表 3.5 個英文字符，雖然確切的數字可能會根據使用的語言而有所不同。在「文本」層面與語言模型交互時，標記通常是隱藏的，但在檢查語言模型的確切輸入和輸出時變得相關。當 Claude 被提供文本進行評估時，文本（由一系列字符組成）被編碼成一系列標記供模型處理。較大的標記在推理和預訓練期間實現數據效率（並在可能時使用），而較小的標記允許模型處理不常見或從未見過的單詞。標記化方法的選擇可能會影響模型的性能、詞彙量和處理詞彙外單詞的能力。