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用的大型语料库不同，它代表的是模型的"工作记忆"。更大的上下文窗口使模型能够理解和响应更复杂、更长的提示，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。

请参阅我们的上下文窗口理解指南以了解更多信息。

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。这会使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；它已经被微调为一个有用的助手。我们的 API 目前不提供微调服务，但如果您有兴趣探索此选项，请联系您的 Anthropic 联系人。微调可用于将语言模型适配到特定领域、任务或写作风格，但需要仔细考虑微调数据及其对模型性能和偏差的潜在影响。

HHH

这三个 H 代表了 Anthropic 确保 Claude 对社会有益的目标：

• 有用的（helpful） AI 将尽其所能地尝试执行任务或回答所提出的问题，提供相关且有用的信息。
• 诚实的（honest） AI 将提供准确的信息，不会产生幻觉或虚构内容。它会在适当的时候承认自己的局限性和不确定性。
• 无害的（harmless） AI 不会具有冒犯性或歧视性，当被要求协助进行危险或不道德的行为时，AI 应礼貌地拒绝并解释为什么不能配合。

延迟

在生成式 AI 和大语言模型的语境中，延迟是指模型对给定提示做出响应所需的时间。它是提交提示和接收生成输出之间的延迟。较低的延迟表示更快的响应时间，这对于实时应用、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

大语言模型（LLM）是具有大量参数的 AI 语言模型，能够执行各种令人惊讶的有用任务。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 是一个基于大语言模型的对话助手，经过微调并使用 RLHF 进行训练，使其更加有用、诚实和无害。

MCP（模型上下文协议）

模型上下文协议（MCP）是一个开放协议，标准化了应用程序向 LLM 提供上下文的方式。就像 AI 应用的 USB-C 接口一样，MCP 提供了一种统一的方式将 AI 模型连接到不同的数据源和工具。MCP 使 AI 系统能够在交互过程中保持一致的上下文，并以标准化的方式访问外部资源。请参阅我们的 MCP 文档以了解更多信息。

MCP 连接器

MCP 连接器是一项功能，允许 API 用户直接从 Messages API 连接到 MCP 服务器，而无需构建 MCP 客户端。这使得通过 Claude API 与 MCP 兼容的工具和服务实现无缝集成。MCP 连接器支持工具调用等功能，目前处于公开测试阶段。请参阅我们的 MCP 连接器文档以了解更多信息。

预训练

预训练是在大型无标注文本语料库上训练语言模型的初始过程。以 Claude 为例，自回归语言模型（如 Claude 的底层模型）经过预训练来根据文档中先前的文本上下文预测下一个词。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 用于优化这些预训练模型，使其在广泛的任务中更加有用。

RAG（检索增强生成）

检索增强生成（RAG）是一种将信息检索与语言模型生成相结合的技术，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，语言模型通过外部知识库或一组传入上下文窗口的文档来增强。数据在查询发送到模型时在运行时检索，尽管模型本身不一定会检索数据（但可以通过工具使用和检索函数来实现）。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。这使模型能够访问和利用其训练数据之外的信息，减少对记忆的依赖，提高生成文本的事实准确性。RAG 对于需要最新信息、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运行时检索到的知识。

RLHF

基于人类反馈的强化学习（RLHF）是一种用于训练预训练语言模型使其行为符合人类偏好的技术。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更多示例文本进行排名，强化学习过程鼓励模型偏好与排名较高的输出相似的结果。Claude 已使用 RLHF 进行训练，使其成为更有用的助手。有关更多详细信息，您可以阅读 Anthropic 关于该主题的论文。

温度

温度是一个控制模型在文本生成过程中预测随机性的参数。较高的温度会产生更具创造性和多样性的输出，允许在措辞上有多种变化，在虚构内容的情况下，答案也会有所变化。较低的温度会产生更保守和确定性的输出，倾向于选择最可能的措辞和答案。调整温度使用户能够鼓励语言模型探索罕见的、不常见的或令人惊讶的词语选择和序列，而不是仅选择最可能的预测。

用户可能会在 API 中遇到非确定性行为。即使温度设置为 0，结果也不会完全确定，相同的输入在不同的 API 调用中可能产生不同的输出。这适用于 Anthropic 的第一方推理服务以及通过第三方云提供商的推理。

TTFT（首个令牌时间）

首个令牌时间（TTFT）是一个性能指标，衡量语言模型在接收提示后生成其输出的第一个令牌所需的时间。它是模型响应能力的重要指标，对于用户期望快速初始反馈的交互式应用、聊天机器人和实时系统尤为重要。较低的 TTFT 表示模型可以更快地开始生成响应，提供更流畅和引人入胜的用户体验。影响 TTFT 的因素包括模型大小、硬件能力、网络条件和提示的复杂性。

令牌

令牌是语言模型的最小独立单元，可以对应于单词、子词、字符甚至字节（在 Unicode 的情况下）。对于 Claude，一个令牌大约代表 3.5 个英文字符，但确切数量可能因使用的语言而异。在"文本"级别与语言模型交互时，令牌通常是隐藏的，但在检查语言模型的确切输入和输出时变得相关。当向 Claude 提供要评估的文本时，文本（由一系列字符组成）被编码为一系列令牌供模型处理。较大的令牌在推理和预训练期间实现数据效率（并在可能时被使用），而较小的令牌使模型能够处理不常见或从未见过的词语。令牌化方法的选择会影响模型的性能、词汇量大小以及处理词汇表外词语的能力。