腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

技术百科

已收录1640个词条

输入关键词，搜索你感兴趣的技术词条

1640个词条，20638个知识点

通用技术-人工智能

深度伪造（Deepfake）是深度合成技术中聚焦冒充真实人物、事件或声音、足以以假乱真的伪造分支，指利用深度学习、生成对抗网络、扩散模型等生成式人工智能算法，对图像、视频、音频中的人物面部、声音、表情、动作进行高度逼真的替换、篡改或合成，生成肉眼与算法都难以分辨的虚假数字内容。它是人工智能安全与信息真实性治理领域的核心议题，在影视创作、舆论操纵、电信网络诈骗等场景引发广泛关注，对应的检测与标识技术也成为当前人工智能安全研究的前沿方向。

深度伪造与传统视频剪辑、PS 修图有什么本质区别？

深度伪造是如何利用深度学习生成逼真虚假内容的？

生成对抗网络（GAN）在深度伪造中是如何工作的？

查看14个知识点 >

通用技术-开发工具

Vite 是一款面向 Web 的前端构建工具，由 Vue.js 作者尤雨溪（Evan You）于 2020 年创建，主打极速的开发服务器启动与闪电般的模块热更新（HMR）。它基于原生 ES Modules，通过按需编译和依赖预构建，让大型项目的开发体验大幅提升。自 2026 年 3 月发布的 Vite 8 起，底层打包器统一为 Rust 编写的 Rolldown，结束了此前 esbuild 与 Rollup 的双打包器架构。作为现代前端工程化的基础设施，Vite 已被 Vue、React、Svelte、Solid 等众多框架和生态广泛采用。

Vite 为什么比传统打包工具更快？

Vite 和 esbuild、Parcel 相比各有什么优劣？

Vite 的开发服务器是如何工作的？

查看23个知识点 >

通用技术-人工智能

HippoRAG 是由俄亥俄州立大学 NLP 组（OSU-NLP-Group）于 2024 年提出的检索增强生成（RAG）框架，其论文《HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models》发表于 NeurIPS 2024。该框架受人类海马体记忆索引理论启发，将大语言模型、知识图谱与个性化 PageRank（Personalized PageRank, PPR）算法协同结合，模拟大脑新皮层与海马体在长期记忆中的不同角色，从而在单步检索中完成传统方法需要多轮迭代才能实现的多跳推理。后续迭代版本 HippoRAG 2 进一步引入段落节点与识别记忆机制，论文《From RAG to Memory: Non-Parametric Continual Learning for Large Language Models》发表于 ICML 2025。

HippoRAG 是如何工作的？

HippoRAG 中的开放信息抽取（OpenIE）是怎样运作的？

HippoRAG 的"人工海马体索引"指的是什么？

查看17个知识点 >

通用技术-人工智能

LightRAG（Light Retrieval-Augmented Generation）是由香港大学数据智能实验室（HKUDS）开发的轻量级图增强检索生成框架，相关成果发表于自然语言处理顶会 EMNLP 2025。它在传统"向量检索 + 拼接提示"的 RAG 思路之上，引入知识图谱结构，将文档转化为实体与关系构成的网状知识，再通过低层（实体级）与高层（主题级）相结合的双层检索机制生成答案。相比依赖扁平文本块的朴素 RAG，LightRAG 能更好捕捉跨文档的实体关联，在多跳推理、增量更新和检索成本方面具备明显优势，已成为 GitHub 上关注度较高的开源 RAG 项目之一。

LightRAG 的整体架构由哪些部分组成？

LightRAG 的双层检索机制是如何工作的？

LightRAG 的检索与生成流程是怎样的？

查看12个知识点 >

通用技术-人工智能

Agentic RAG（智能体检索增强生成，Agentic Retrieval-Augmented Generation）是将自主 AI 智能体的规划、反思和工具调用能力引入检索增强生成（RAG）系统的架构范式。与传统 RAG 的"单次检索→生成"线性管线不同，Agentic RAG 由智能体动态决定何时检索、检索什么、检索结果是否充分，并通过迭代优化直到获得可靠答案。该范式由 2025 年 1 月 Singh 等人在 arXiv 综述论文（arXiv:2501.09136）中正式提出，已在 LangGraph、LlamaIndex、DSPy、Haystack 等主流框架中落地，广泛应用于企业知识管理、合规研究、客户服务等复杂场景。

Agentic RAG 如何保证检索结果的可信度？

Agentic RAG 系统存在哪些风险与挑战？

Agentic RAG 支持调用哪些外部工具？

查看18个知识点 >

通用技术-人工智能

GraphRAG（Graph-based Retrieval-Augmented Generation，图增强检索生成）是由 Microsoft Research 提出的模块化图增强检索生成系统，通过将非结构化文本转化为知识图谱，并结合层级社区检测与社区摘要，增强大语言模型对私有文本语料的全局理解与多跳推理能力。与传统仅依赖向量相似度检索的 RAG 不同，GraphRAG 以知识图谱为结构化记忆层，能够回答需要跨文档整合、主题归纳和关系推导的复杂问题。该项目以 MIT 协议开源，采用 Python 实现，是当前图增强 RAG 方向的代表性参考方案。

GraphRAG 的索引成本主要由哪些因素决定？

GraphRAG 中的实体、关系和声明分别指什么？

GraphRAG 的社区检测采用什么算法？

查看16个知识点 >

通用技术-人工智能

结构化工具调用

结构化工具调用（Structured Tool Calling，又称 Tool Calling、Function Calling）是一种让大语言模型（LLM）生成结构化响应以调用外部函数、API 或工具的技术。其核心在于：开发者向模型提供一组带有名称、描述与参数结构（通常为 JSON Schema）的工具定义，模型在推理时判断是否需要调用工具，并输出包含函数名与参数的结构化调用请求；实际的工具执行始终由外部运行时完成，执行结果再回传给模型，由模型综合后生成最终回答。该技术将语言理解与事实计算、数据检索相分离，使大模型从"内容生成"走向"自主行动"，已成为 AI Agent 与智能体应用的核心能力之一。

结构化工具调用相比传统提示词拼接方案有哪些核心优势？

一次完整的结构化工具调用闭环包含哪些关键步骤？

结构化工具调用在哪些典型业务场景中应用最多？

查看15个知识点 >

通用技术-网络与通信

Gateway API 是 Kubernetes SIG-Network 社区维护的服务网络标准，通过一组相互关联的自定义资源（CRD）对集群内外流量进行动态基础设施供给与高级路由。它采用角色导向、协议感知、可扩展的设计理念，将基础设施提供商、集群操作员与应用开发者的职责清晰分离，统一描述入集群（南北向）与集群内服务间（东西向）的流量管理，是 Ingress API 的演进方向。

Gateway API 的核心资源对象有哪些？

Gateway API 如何处理 TLS 终止与 TLS Passthrough？

Gateway API 如何实现流量分割与灰度发布？

查看21个知识点 >

通用技术-人工智能

直接偏好优化

直接偏好优化（Direct Preference Optimization，简称 DPO）是一种用于大语言模型对齐的训练方法，由 Rafailov 等人在 2023 年提出。它通过直接利用人类偏好数据调整模型参数，绕过显式奖励模型的拟合与复杂的强化学习优化过程，使模型输出更符合人类偏好。与基于人类反馈的强化学习（RLHF）相比，DPO 无需训练独立的奖励模型，而是将奖励函数重新参数化为策略模型本身，把对齐问题转化为一个标准的监督式分类损失，从而降低训练复杂度、提升稳定性并减少算力开销。DPO 已被广泛应用于指令遵循、对话安全、摘要生成与代码对齐等场景。

直接偏好优化的一次完整训练流程包含哪些步骤？

直接偏好优化中的偏好数据是如何构成的？

直接偏好优化的核心数学原理是什么？

查看19个知识点 >

通用技术-人工智能

KV 缓存机制

KV 缓存机制（Key-Value Cache，简称 KV Cache）是 Transformer 架构大语言模型在自回归推理阶段用于消除重复计算的核心优化技术。它将在生成过程中已经计算出的键（Key）与值（Value）向量按层缓存于显存，使每个新 token 只需与历史缓存做注意力计算而无需重新投影全部历史 token，从而将推理延迟从平方级增长压低到近线性增长。随着长上下文与高并发推理成为主流需求，KV 缓存已成为决定显存占用、吞吐量与部署成本的关键瓶颈，相关优化技术（如 PagedAttention、GQA、MLA、前缀缓存等）也被主流大模型（如腾讯混元、Llama、DeepSeek 等）与推理引擎广泛采用。

为什么大语言模型推理需要 KV 缓存？

KV 缓存面临的内存容量墙和带宽瓶颈分别指什么？

PagedAttention 通过什么机制实现不同请求间的 KV 缓存共享？

查看18个知识点 >

通用技术-人工智能

状态空间模型

状态空间模型（State Space Model，SSM）是一类源于控制理论与信号处理的序列建模方法，通过一个随时间演化的隐藏状态来压缩历史输入信息，并据此产生当前输出。与 Transformer 依赖全局两两比对注意力的思路不同，SSM 在每个时间步只更新固定维度的状态，因此计算复杂度随序列长度线性增长。自 2022 年 S4、2023 年 Mamba 相继提出后，SSM 凭借线性复杂度与恒定的推理内存，成为长序列建模领域备受关注的一类架构。

状态空间模型与 MoE 混合专家架构如何结合？

状态空间模型的并行扫描算法是如何工作的？

状态空间模型当前面临的主要技术挑战是什么？

查看16个知识点 >

通用技术-人工智能

LoRA（低秩适配）

LoRA（Low-Rank Adaptation，低秩适配）是一种参数高效微调（Parameter-Efficient Fine-Tuning, PEFT）方法，由微软研究院 Edward J. Hu 等人在 2021 年提出。其核心思想是冻结预训练模型的原始权重，仅在 Transformer 各层旁注入可训练的低秩分解矩阵，从而在下游任务中大幅减少可训练参数与显存占用，同时保持与全参数微调相当甚至更优的模型质量。LoRA 因训练高效、可热插拔、推理零额外开销等特点，已成为大语言模型与扩散模型微调的主流方案之一。

LoRA 权重如何合并回原模型？

LoRA 在图像生成领域如何应用？

QLoRA 是如何结合量化技术的？

查看17个知识点 >

上一页12345678...137下一页

跳至页前往

共1640个词条