Fubune's Wiki

transductive_learning - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-14T11:36:56+00:00

Transductive Learning Transductive Learning（直推学习）是机器学习中的一种学习范式。与Inductive Learning不同，直推学习并不试图从训练数据中学习一个能够泛化到任意未知样本的通用函数，而是利用已有的训练数据以及当前给定的无标签测试数据，直接推断这些特定测试样本的标签

gru - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-14T11:24:22+00:00

GRU GRU（Gated Recurrent Unit，门控循环单元）是一种改进的RNN结构，由 Kyunghyun Cho 等人于 2014 年提出，最初发表于论文《Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation》。GRU 通过引入

rnn - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-14T11:22:00+00:00

RNN RNN（Recurrent Neural Network，循环神经网络）是一类专门用于处理序列数据（Sequential Data）的 Neural Network。 RNN 的核心思想是：模型在处理当前输入时，不仅考虑当前输入 xₜ，还利用前一个时间步产生的

generalization - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-14T11:04:49+00:00

Generalization Generalization（泛化）是 Machine Learning 中指模型在未参与训练的新数据上仍然能够保持良好表现的能力。机器学习的目标并不是简单地记住训练数据，而是从有限的训练样本中学习具有普遍性的规律，并将这些规律应用于未知样本。

machine_learning - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-14T11:03:35+00:00

机器学习机器学习（Machine Learning，ML）是 Artificial Intelligence 的一个重要分支，研究如何让计算机通过数据和经验自动学习规律，并利用学习到的规律对新的数据进行预测、决策或生成，而不是完全依赖人工编写的明确规则。

inductive_bias - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-14T11:01:58+00:00

Inductive Bias Inductive Bias（归纳偏置）是 Machine Learning 中指模型在面对有限训练数据和未知情况时，对可能规律所做的先验假设或偏好。归纳偏置是 Inductive Learning 的核心概念之一。其根本原因是：有限的训练数据通常无法唯一确定一个函数。

inductive_learning - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-14T10:59:56+00:00

归纳学习归纳学习（Inductive Learning）是 Machine Learning 中一种从有限的具体样本中学习一般规律，并将其应用于未见样本的学习方式。归纳学习的核心问题可以概括为：已知有限的训练数据，如何学习一个能够推广到未知数据的规律？

inductive - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-14T10:59:26+00:00

Inductive Inductive（归纳）是一种从具体实例、有限观测或已有经验中总结一般规律的推理方式。在 Machine Learning 中，归纳是模型从有限的训练数据中学习一般规律，并将其应用到训练数据之外的新样本上的基本过程。

mcp - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-13T03:49:02+00:00

MCP MCP（Model Context Protocol，模型上下文协议）是一种用于标准化连接 AI Agent、LLM 与外部工具、数据源和服务的开放协议。它最初由 Anthropic 的 David Soria Parra 和 Justin Spahr-Summers 等人提出，并于 2024 年 11 月 25 日正式开源。其核心目标是解决 AI 应用与外部系统之间集成方式碎片化的问题，使模型能够通过统一协议访问工具和上下文。

replay - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-11T14:21:15+00:00

Experience Replay Experience Replay（经验回放）是强化学习中的一种训练方法，最早由 Lin 在 1992 年的论文《Self-Improving Reactive Agents Based on Reinforcement Learning, Planning and Teaching》中系统提出。其核心思想是：

lora - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-11T14:18:50+00:00

LoRA LoRA（Low-Rank Adaptation，低秩适配）是一种用于大语言模型和其他大型神经网络的参数高效微调（PEFT）方法。LoRA 由 Edward J. Hu 等人于 2021 年在 Microsoft Research 提出的论文《LoRA: Low-Rank Adaptation of Large Language Models》中提出。

cnn

holdsark (holdsark@undisclosed.example.com) — 2026-09-11T07:49:35+00:00

CNN CNN（Convolutional Neural Network，卷积神经网络）是一类以卷积（Convolution）为核心计算操作的 DNN。CNN 最初主要用于处理具有网格结构的数据，尤其是图像。现代 CNN 的理论与应用基础来自 1980 年代 Yann LeCun 等人对卷积网络的研究，其中 LeCun 等人在 1989 年提出用于手写数字识别的卷积神经网络，并在 1998 年的论文《Gradient-Based Learning Applied to Document Recognition》中系统介绍了 LeNet-5。…

fable - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-11T07:10:31+00:00

Claude Fable Claude Fable 是 Anthropic 的高端大语言模型系列，面向高难度知识工作、软件工程、科学研究和长时间自主任务。Fable 这一产品线于 2026 年 6 月首次发布，第一代模型 Claude Fable 5 定位于处理过去模型难以持续完成的多日、复杂、异步任务。2026 年 9 月 1 日，Anthropic 发布 Claude Fable 5.1，进一步增强了长时间

tibo - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-11T07:09:02+00:00

Tibo Tibo 是 Thibault Sottiaux 的昵称，是 OpenAI 的技术人员和产品负责人。他于 2025 年加入 OpenAI，最初主要负责 Codex，后来逐步扩大职责。2026 年，他成为 OpenAI 核心产品负责人，负责 ChatGPT、Codex、API、Agent 基础设施和企业产品等核心业务。

dnn - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-11T03:46:34+00:00

DNN DNN（Deep Neural Network，深度神经网络）是由多个神经网络层堆叠形成的人工神经网络。DNN 并不是由某一位研究者在某一篇论文中单独提出的概念，而是在人工神经网络、反向传播和深度学习的发展过程中逐渐形成的。现代 DNN 的重要理论基础来自 Rumelhart、Hinton 和 Williams 于 1986 年发表的《Learning representations by back-propagating errors》，该工作系统展示了

loop - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-11T03:39:46+00:00

AI Loop AI Loop（AI 循环）不是由某一位研究者在某一篇论文中单独提出的严格术语，而是随着 AI Agent、工具调用（Tool Use）和自主任务执行系统的发展逐渐形成的系统设计模式。其核心思想可以追溯到早期的感知—行动（Perception–Action）循环；在现代大语言模型系统中，则通常表现为“理解任务 → 推理/规划 → 执行 → 观察结果 → 再次推理 → 继续执行”的循环过程。

scaling - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-11T02:29:04+00:00

Scaling Scaling（规模化、扩展）是机器学习和大语言模型领域中的一个核心概念，指通过扩大模型规模、训练数据规模、计算资源或训练时间等因素，使模型获得更强能力的过程。在现代 AI 语境中，Scaling 最重要的含义并不是简单地“把模型做大”，而是研究：

moe - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-10T14:16:23+00:00

MoE MoE（Mixture of Experts，混合专家模型）是一种通过多个 Expert（专家）和 Router（路由器）实现条件计算（Conditional Computation）的神经网络架构。 MoE 最早由 Robert A. Jacobs、Michael I. Jordan、Steven J. Nowlan 和 Geoffrey E. Hinton

openai - 创建

holdsark (holdsark@undisclosed.example.com) — 2026-09-10T14:06:37+00:00

OpenAI OpenAI 是一家从事人工智能研究、开发与部署的人工智能公司，成立于 2015 年。其使命是确保人工通用智能（Artificial General Intelligence，AGI）能够造福全人类。 OpenAI 最初以非营利人工智能研究机构的形式成立，后来随着前沿人工智能研究所需的计算资源和资金规模迅速增长，其组织结构逐渐发生变化。如今 OpenAI 由非营利的

dokuwiki.svg - 创建 - 外部编辑

Anonymous (anonymous@undisclosed.example.com) — 2026-09-02T18:53:27+00:00