Глоссарий RU · EN
Глоссарий терминов AI/LLM на русском и английском с пояснениями и сленгом китайского AI-сообщества в русской транскрипции.
Глоссарий задаёт единую терминологию курса: русский термин, английский вариант, который встретится в статьях и коде, и короткое пояснение. В уроках термины подчёркнуты пунктиром — наведите курсор, чтобы увидеть перевод. Все термины глоссария также попадают в карточки для повторения.
| Русский | English | Ступень |
|---|---|---|
| «ИИ + X» (междисциплинарная подготовка) Модель из плана Госсовета 2017 года — ИИ изучают в связке с другой областью (математикой, биологией, правом, финансами). Сейчас по ней строятся вузовские программы. | AI+X (AI plus another discipline) | ступень 0 |
| «на тех же условиях» (SA) Перевод или адаптация обязаны выйти под той же лицензией, что и оригинал. | share-alike (SA) | ступень 0 |
| алгоритм Точная последовательность шагов для решения задачи — как рецепт. Программа — это алгоритм, записанный на языке программирования. | algorithm | ступень 0 |
| аргументы командной строки Слова после имени скрипта: в python habits.py done python это done и python. В Python доступны через sys.argv. | command-line arguments | ступень 0 |
| байт 8 бит, 256 возможных значений (от 0 до 255). В байтах измеряют размер файлов, памяти и моделей. | byte | ступень 0 |
| без производных произведений (ND) Копировать без изменений можно, переводить и адаптировать нельзя. Перевод считается производным произведением. | no derivatives (ND) | ступень 0 |
| бесконечный цикл Цикл, условие выхода из которого никогда не выполняется. Остановить программу — Ctrl+C. | infinite loop | ступень 0 |
| бит Наименьшая единица информации — 0 или 1. | bit | ступень 0 |
| большая языковая модель (БЯМ, LLM) В китайском «большая модель» («да мосин») — разговорное общее название для LLM и вообще foundation models. | large language model (LLM) | ступень 0 |
| булева маска Массив True/False той же формы. Выбирает или зануляет элементы; в трансформере так устроены attention- и padding-маски. | boolean mask | ступень 0 |
| векторизация Замена циклов Python операциями над целыми массивами, которые выполняются в скомпилированном коде. | vectorization | ступень 0 |
| веса | weights | ступень 0 |
| ветка Независимая линия коммитов. Позволяет экспериментировать, не ломая основную версию. | branch | ступень 0 |
| видеопамять (VRAM) Собственная память видеокарты. Веса модели и промежуточные данные должны поместиться сюда, иначе GPU не сможет их быстро обрабатывать. | video memory (VRAM) | ступень 0 |
| виртуальное окружение Отдельная папка со своим Python и своими библиотеками для одного проекта. | virtual environment (venv) | ступень 0 |
| воспроизводимость Возможность получить тот же результат, повторно запустив тот же код на тех же данных. | reproducibility | ступень 0 |
| выражение Запись из значений, имён и операторов, которую Python вычисляет до одного значения, например 17 // 5 + 1. | expression | ступень 0 |
| вычислительные мощности | compute | ступень 0 |
| гаокао (единый вступительный экзамен в вузы) Главный экзамен китайского школьника, в 2025 году — более 13 млн участников. Экзамен после 9 класса называется «чжункао». | gaokao (National College Entrance Examination) | ступень 0 |
| генеративный ИИ ИИ, который создаёт новый контент (текст, картинки, звук, код), а не только классифицирует готовый. В китайских документах часто пишут сокращённо — «генеративный AI», с английской аббревиатурой. | generative AI | ступень 0 |
| генератор (ленивый итератор) Функция с yield или выражение в круглых скобках; выдаёт значения по одному и не держит всё в памяти. Не путать с генератором списка. | generator | ступень 0 |
| генератор списка (списковое включение) Запись вида [f(x) for x in xs if cond]. В популярном китайском учебнике Python Ляо Сюэфэна это называется «выражение, порождающее список». | list comprehension | ступень 0 |
| гистограмма Диапазон значений делят на корзины (bins) и считают, сколько значений попало в каждую. | histogram | ступень 0 |
| глубокое обучение | deep learning | ступень 0 |
| графический процессор (GPU, видеокарта) Тысячи простых вычислительных ядер. Идеально подходит для матричных умножений, поэтому на GPU обучают нейросети. | graphics processing unit (GPU) | ступень 0 |
| групповое обучение, учебная когорта Формат Datawhale — группа проходит открытый курс по расписанию 2–4 недели, с заданиями и ежедневной отметкой о занятиях. | study group, learning cohort | ступень 0 |
| дата среза знаний Момент, на котором закончились обучающие данные модели. О более поздних событиях модель не знает, если ей не дать поиск. | knowledge cutoff | ступень 0 |
| датакласс (класс данных) Декоратор @dataclass из стандартной библиотеки сам пишет __init__, __repr__ и __eq__. Удобен для конфигов моделей. | dataclass | ступень 0 |
| двоичный поиск Поиск делением диапазона пополам. Среди 100 вариантов находит ответ не больше чем за 7 шагов, потому что 2^7 = 128 ≥ 100. | binary search | ступень 0 |
| декомпозиция задачи Разбиение большой задачи на шаги, каждый из которых решает отдельная небольшая функция. | problem decomposition | ступень 0 |
| декоратор Строка вида @имя над def или class: оборачивает функцию или класс и меняет поведение. Примеры — @property, @classmethod, @dataclass. | decorator | ступень 0 |
| диск, постоянная память (SSD, HDD) Хранит файлы, пока компьютер выключен. Больше и дешевле оперативной памяти, но медленнее. | storage, disk drive | ступень 0 |
| закон Ципфа Частота слова примерно обратно пропорциональна его месту в частотном списке, поэтому немногие частые слова покрывают большую часть любого текста. | Zipf's law | ступень 0 |
| закрытая (проприетарная) модель Веса не публикуются, доступ только через API или приложение. | closed-source / proprietary model | ступень 0 |
| замыкание Внутренняя функция, которая запоминает переменные внешней функции и после её завершения. Так устроены планировщики learning rate. | closure | ступень 0 |
| изменяемость (mutable / immutable) Изменяемые: list, dict, set. Неизменяемые: int, float, str, tuple. От этого зависят «эффекты» при копировании и аргументы по умолчанию. | mutability | ступень 0 |
| ИИ-грамотность Умение понимать, применять и критически оценивать ИИ. Китайское руководство 2025 года делит её на знания, навыки, мышление и ценности. | AI literacy | ступень 0 |
| ИИ-напарник по учёбе ИИ-помощник, который сопровождает ученика — объясняет, задаёт вопросы, подбирает задачи. Упомянут в «Мнениях Госсовета о действии „ИИ+“» (2025). | AI study companion | ступень 0 |
| индексация массивом индексов (fancy indexing) E[ids] — выбрать строки по списку индексов. Именно так работает таблица эмбеддингов. | fancy indexing | ступень 0 |
| интерактивный режим (REPL) Read–Eval–Print Loop: Python читает строку, вычисляет и сразу показывает результат. Приглашение — >>>. | REPL, interactive mode | ступень 0 |
| интервальное повторение Повторять материал через растущие промежутки времени — прямо перед тем, как он забылся бы. На сайте — карточки на странице «Повторение» (алгоритм FSRS). | spaced repetition | ступень 0 |
| интерпретатор Программа, которая читает код и сразу выполняет его строку за строкой. Python — интерпретируемый язык. | interpreter | ступень 0 |
| исключение | exception | ступень 0 |
| искусственный интеллект (ИИ) | artificial intelligence (AI) | ступень 0 |
| класс Шаблон для создания объектов. Любая модель в PyTorch — класс-наследник nn.Module. | class | ступень 0 |
| кодировка (символов) Способ записать символы байтами. UTF-8: латиница — 1 байт, кириллица — 2, китайские иероглифы — 3. | character encoding | ступень 0 |
| комментарий Текст после | comment | ступень 0 |
| коммит Снимок состояния файлов с сообщением, автором и датой. | commit | ступень 0 |
| компилятор Программа, которая заранее переводит весь код в машинный. Так работают C, C++, Rust, CUDA. | compiler | ступень 0 |
| конвейер (пайп) Символ | передаёт вывод одной команды на вход следующей. | pipe | ступень 0 |
| кортеж Неизменяемая последовательность. Формы тензоров (shape) в NumPy и PyTorch — кортежи. | tuple | ступень 0 |
| краевой случай Необычный вход на границе допустимого — пустой список, ноль, пустая строка. Именно на них чаще всего ломается код. | edge case | ступень 0 |
| кракозябры (mojibake) Нечитаемый текст из-за декодирования байтов не той кодировкой, например «РџСЂРёРІРµС‚» вместо «Привет». | mojibake | ступень 0 |
| лицензии Creative Commons (CC) Семейство лицензий для текстов и картинок. Условия складываются из блоков BY, NC, SA, ND. | Creative Commons licenses | ступень 0 |
| логическая ошибка Программа работает без сообщений об ошибках, но результат неверный. Ловится только проверками и тестами. | logic error | ступень 0 |
| лямбда-функция | lambda (anonymous function) | ступень 0 |
| магический метод (dunder-метод) Методы вида __add__, __len__, __call__: Python вызывает их сам, когда вы пишете a + b, len(a), a(x). | special method, magic method | ступень 0 |
| массив NumPy (ndarray) Непрерывный блок чисел одного типа плюс описание формы (shape) и шагов (strides). | N-dimensional array (ndarray) | ступень 0 |
| машинное обучение | machine learning (ML) | ступень 0 |
| машинный код Инструкции в виде чисел — единственное, что процессор понимает напрямую. | machine code | ступень 0 |
| менеджер пакетов pip, uv, conda — устанавливают библиотеки вместе с их зависимостями. | package manager | ступень 0 |
| метод Функция, привязанная к объекту и вызываемая через точку: s.upper(), tokens.append(x). | method | ступень 0 |
| метод резиновой уточки Объяснить код вслух строка за строкой (хоть игрушечной уточке) — и заметить, где ваше объяснение расходится с кодом. Термин из книги «Программист-прагматик». | rubber duck debugging | ступень 0 |
| множество Неупорядоченный набор уникальных элементов. Пустое множество — set(), а {} — пустой словарь. | set | ступень 0 |
| модель | model | ступень 0 |
| модуль Файл .py, который можно импортировать. Не называйте свои файлы как модули стандартной библиотеки (json.py, random.py). | module | ступень 0 |
| модульный тест (юнит-тест) Маленькая функция, которая вызывает ваш код и проверяет результат через assert. | unit test | ступень 0 |
| набор данных, датасет | dataset | ступень 0 |
| наследование | inheritance | ступень 0 |
| Национальная олимпиада по информатике (NOI) Проводится с 1984 года Китайской компьютерной федерацией (CCF). Лестница CSP-J/S → NOIP → NOI → сборная на IOI. | National Olympiad in Informatics (NOI) | ступень 0 |
| некоммерческое использование (NC) Под этим условием выпущена большая часть материалов Datawhale (CC BY-NC-SA 4.0). | non-commercial (NC) | ступень 0 |
| обучение | training | ступень 0 |
| обучение до уровня мастерства Идея Бенджамина Блума — переходить к следующей теме, только когда текущая освоена до порога. В курсе порог — квиз от 60 % и уровень Medium в домашней работе. | mastery learning | ступень 0 |
| объект, экземпляр | object, instance | ступень 0 |
| оперативная память (ОЗУ, RAM) Быстрая память для данных работающих программ. При выключении питания стирается. | random-access memory (RAM) | ступень 0 |
| оператор Знак действия: + - * / // % ** и другие. | operator | ступень 0 |
| ось (измерение массива) Агрегация по оси axis=k «съедает» эту ось, если не указать keepdims=True. | axis | ступень 0 |
| открытые веса | open weights | ступень 0 |
| открытый исходный код Китайские СМИ часто называют открытыми («кайюань») и модели с открытыми весами, даже без открытого кода и данных обучения. | open source | ступень 0 |
| отладка Поиск и исправление ошибок в программе. Саму ошибку в программе и русские, и китайские разработчики обычно называют просто «баг» (bug). | debugging | ступень 0 |
| отладчик Программа, которая останавливает ваш код в нужном месте и показывает значения всех переменных. В Python — pdb, в VS Code — встроенный. | debugger | ступень 0 |
| отметка о занятиях Буквально «пробить карточку». В учебных сообществах — публикация конспекта или решения в срок как подтверждение, что вы занимаетесь. | check-in (daily study log) | ступень 0 |
| ошибка выполнения Запись верна, но действие невыполнимо (деление на ноль, нет ключа). Программа падает на этой строке с traceback. | runtime error | ступень 0 |
| ошибка на единицу Цикл или срез делает на один шаг больше или меньше нужного, например range(1, n) вместо range(1, n + 1). | off-by-one error | ступень 0 |
| пакет Папка с модулями (обычно с файлом __init__.py). Так же называют дистрибутивы, устанавливаемые через pip. | package | ступень 0 |
| параметр | parameter | ступень 0 |
| перегрузка операторов | operator overloading | ступень 0 |
| переменная В Python переменная — это имя, привязанное к объекту, а не «коробка» с фиксированным типом. | variable | ступень 0 |
| политика «двойного снижения» Реформа 2021 года — снизить нагрузку домашними заданиями и внешкольным репетиторством. Запрещает «механические, повторяющиеся и карательные» домашние задания. | Double Reduction policy | ступень 0 |
| практика извлечения Вспоминать ответ самому, без подсказки, вместо того чтобы перечитывать. Одна из самых надёжных учебных техник; на ней стоят квизы, карточки и повторы тетради ошибок. | retrieval practice | ступень 0 |
| предварительное знакомство с уроком Короткая подготовка до урока — пробежать глазами цели, попробовать ответить на пару вопросов. Цикл китайской школы — подготовка до урока → урок → повторение после урока. | pre-study, lesson preview | ступень 0 |
| предсказание следующего токена Главная задача языковой модели — по началу текста оценить вероятности следующего токена. Ответ чат-бота собирается из таких шагов по одному токену. | next-token prediction | ступень 0 |
| приведение (преобразование) типов int("42"), float("36.6"), str(42). Ответ input() — всегда строка, поэтому его приводят к числу. | type conversion | ступень 0 |
| приоритет операций Порядок вычисления: скобки, затем , затем * / // %, затем + -. Поэтому -2 2 = -4. | operator precedence | ступень 0 |
| программа Последовательность инструкций для компьютера, записанная в файле. | program | ступень 0 |
| прорешивание задач Буквально «чистить задачи» — решать много однотипных задач до беглости. Крайность называют «тихай чжаньшу» — «тактика моря задач». | problem drilling | ступень 0 |
| путь к файлу Адрес файла в дереве папок, например /home/mei/ChinaAI/README.md (Linux, macOS) или C:\Users\Mei\ChinaAI\README.md (Windows). | file path | ступень 0 |
| регрессионный тест Тест, написанный на уже исправленный баг, чтобы он не вернулся незаметно. | regression test | ступень 0 |
| рекурсия | recursion | ступень 0 |
| репозиторий Папка проекта вместе со всей историей изменений (скрытая подпапка .git). | repository (repo) | ступень 0 |
| сид генератора случайных чисел Начальное значение генератора. Один и тот же сид даёт ту же последовательность «случайных» чисел. | random seed | ступень 0 |
| синтаксическая ошибка Python не понял запись (скобка, кавычка, двоеточие, отступ). Программа не выполняет ни одной строки. | syntax error | ступень 0 |
| система контроля версий Хранит историю изменений файлов. Самая популярная — Git. | version control system (VCS) | ступень 0 |
| словарь Отображение «ключ → значение» на хеш-таблице; поиск по ключу в среднем O(1). С Python 3.7 сохраняет порядок вставки. | dictionary (dict) | ступень 0 |
| сложность алгоритма (O-нотация) Как растёт время работы с размером данных n. O(n) — пропорционально n (поиск в list), O(1) — не зависит от n (поиск в dict и set). | time complexity, big-O notation | ступень 0 |
| спиральная программа Темы возвращаются несколько раз, и каждый раз — на более глубоком уровне. Так устроены китайские школьные программы и этот курс. | spiral curriculum | ступень 0 |
| список Изменяемая упорядоченная последовательность. Проверка x in list перебирает элементы — O(n). | list | ступень 0 |
| срез Выборка вида a[start:stop:step]. В NumPy срез — это view: он смотрит на те же данные, без копирования. | slicing | ступень 0 |
| стек вызовов Цепочка функций, которые вызвали друг друга и ещё не завершились. Traceback — это снимок стека в момент ошибки. | call stack | ступень 0 |
| стоп-слова Самые частые служебные слова («и», «в», «на», «же»), которые убирают при подсчёте частот, чтобы увидеть содержательные слова. | stop words | ступень 0 |
| строка В Python 3 строка — неизменяемая последовательность символов Юникода; длина считается в символах, а не в байтах. | string (str) | ступень 0 |
| тензор В ML — просто многомерный массив чисел. torch.Tensor устроен как np.ndarray, но умеет работать на GPU и считать градиенты. | tensor | ступень 0 |
| терминал (командная строка) Окно, где команды вводятся текстом. Исполняет их оболочка (shell) — bash или zsh. | terminal / command line | ступень 0 |
| тетрадь ошибок Китайская школьная практика — переписывать каждую ошибку с правильным решением и регулярно к ней возвращаться. На сайте это страница «Тетрадь ошибок», куда сами попадают ошибки из квизов. | mistake notebook | ступень 0 |
| тип элементов массива (dtype) float32, float16, int64, bool… Определяет точность и сколько байт занимает каждое число. | data type (dtype) | ступень 0 |
| точка останова Строка, перед выполнением которой отладчик ставит программу на паузу. В коде — функция breakpoint(). | breakpoint | ступень 0 |
| трассировка ошибки (traceback) Сообщение Python об ошибке — цепочка вызовов, которая к ней привела. Читается снизу вверх. | traceback | ступень 0 |
| утверждение (assert) assert условие, "сообщение" — проверка, которая падает с AssertionError, если условие ложно. Отключается флагом python -O. | assertion | ступень 0 |
| форма массива Кортеж размеров по осям, например (batch, seq_len, d_model). | shape | ступень 0 |
| функция В Python функция — обычный объект, её можно передать как аргумент или вернуть из другой функции. | function | ступень 0 |
| функция высшего порядка Функция, которая принимает или возвращает другие функции. Примеры — sorted с key, map, filter. | higher-order function | ступень 0 |
| хеш-таблица Структура данных, на которой построены dict и set; ключи должны быть хешируемыми (неизменяемыми). | hash table | ступень 0 |
| центральный процессор (CPU) Универсальный «мозг» компьютера — от нескольких до десятков мощных ядер; каждое быстро выполняет любые инструкции одну за другой. | central processing unit (CPU) | ступень 0 |
| чат-бот, ИИ-ассистент Программа, с которой разговаривают текстом. Современные чат-боты (ChatGPT, DeepSeek, Qwen Chat, Kimi) построены на LLM. | chatbot, AI assistant | ступень 0 |
| число с плавающей точкой (float) Способ хранить дробные числа как «мантисса × 2 в степени». Форматы: FP32 (4 байта), FP16 и BF16 (2 байта), FP8 (1 байт). | floating-point number | ступень 0 |
| чистая функция Результат зависит только от аргументов, а сама функция ничего не печатает, не читает с клавиатуры и не меняет внешние данные. Такие функции легко тестировать. | pure function | ступень 0 |
| Юникод Единая таблица символов всех письменностей; каждому символу соответствует номер (code point), например «я» = U+044F, «λ» = U+03BB. | Unicode | ступень 0 |
| язык программирования | programming language | ступень 0 |
| broadcasting (растягивание форм) Правило, по которому NumPy и PyTorch выполняют операции над массивами разных форм без копирования данных. | broadcasting | ступень 0 |
| einsum (нотация Эйнштейна) Запись тензорных операций строкой индексов, например 'bhqd,bhkd->bhqk'. | Einstein summation (einsum) | ступень 0 |
| Jupyter-ноутбук Документ из ячеек с кодом, текстом и графиками (.ipynb). Состояние живёт в ядре, пока оно запущено. | Jupyter notebook | ступень 0 |
| апостериорная вероятность (posterior) Вероятность гипотезы после наблюдения данных — результат формулы Байеса. | posterior probability | ступень 1 |
| априорная вероятность (prior) Вероятность гипотезы до наблюдения данных. | prior probability | ступень 1 |
| биномиальное распределение Число успехов в n независимых испытаниях Бернулли; P(k) = C(n, k)·pᵏ·(1 − p)ⁿ⁻ᵏ. | binomial distribution | ступень 1 |
| вектор Упорядоченный список чисел; его же можно видеть как точку или как стрелку (направление + длина). Китайский термин буквально означает «направленная величина». | vector | ступень 1 |
| внешнее произведение Столбец на строку — u vᵀ, матрица ранга 1. В китайских текстах «внешним произведением» иногда называют векторное произведение (cross product), смотрите по контексту. | outer product | ступень 1 |
| выборка Часть генеральной совокупности, которую мы реально наблюдаем: бенчмарк из n вопросов. Метрика на выборке — оценка истинной величины с шумом. | sample | ступень 1 |
| выпуклая функция «Чаша» без ложных ям — любой локальный минимум глобальный. Отрезок между двумя точками графика лежит не ниже графика. | convex function | ступень 1 |
| вычислительный граф Схема вычисления — узлы-операции и рёбра-значения. По нему идёт прямой проход (значения) и обратный (градиенты). | computational graph | ступень 1 |
| генеральная совокупность Все объекты, о которых хотим сделать вывод, — например, все возможные вопросы данного типа. Истинная точность модели — доля верных ответов на всей совокупности; её оценивают по выборке. | population | ступень 1 |
| гиперболический тангенс tanh x = (eˣ − e⁻ˣ)/(eˣ + e⁻ˣ) — «сигмоида» со значениями от −1 до 1. Производная 1 − tanh² x. | hyperbolic tangent (tanh) | ступень 1 |
| градиент Вектор всех частных производных ∇f. Указывает направление наискорейшего роста функции; его длина — крутизна склона. | gradient | ступень 1 |
| градиентный спуск | gradient descent | ступень 1 |
| график функции Все точки (x, f(x)). Таблица значений и график — два способа увидеть одну и ту же функцию. | graph of a function | ступень 1 |
| дисперсия Var[X] = E[(X − E[X])²] — средний квадрат отклонения от матожидания. | variance | ступень 1 |
| евклидово расстояние L2-норма разности двух векторов ‖a − b‖₂ — обычное расстояние «по прямой». | Euclidean distance | ступень 1 |
| единичная матрица Квадратная матрица I с единицами на диагонали и нулями вне её; Ix = x. В NumPy — np.eye(n). | identity matrix | ступень 1 |
| единичная окружность Окружность радиуса 1 с центром в (0, 0). Точка под углом α на ней имеет координаты (cos α, sin α). | unit circle | ступень 1 |
| единичный вектор Вектор длины 1. Любой ненулевой вектор v превращается в единичный делением на его длину ‖v‖ (нормировка). | unit vector | ступень 1 |
| закон больших чисел При большом числе независимых повторений среднее (и частота) приближается к матожиданию (и вероятности). | law of large numbers | ступень 1 |
| затухание весов (weight decay) На каждом шаге веса умножаются на (1 − ηλ) — «притягиваются» к нулю. Для обычного SGD равносильно L2-регуляризации, для Adam — нет. | weight decay | ступень 1 |
| знак произведения (Π) Π_{i=1}^{n} x_i — «перемножить все x_i»; накопление начинается с 1. | product notation (capital pi) | ступень 1 |
| знак суммы (Σ) Σ_{i=1}^{n} x_i — «сложить x_i для i от 1 до n»; в коде — цикл for с накоплением суммы от 0. | summation notation (sigma notation) | ступень 1 |
| импульс (momentum) Шаг делается по накопленной «скорости» v = βv + g, а не по текущему градиенту. Гасит зигзаги и разгоняет движение вдоль оврага. | momentum | ступень 1 |
| категориальное распределение Распределение на K исходах с вероятностями p₁…p_K. Выход softmax в LLM — категориальное распределение на словаре. Не путать с мультиномиальным (multinomial) — это число исходов каждого типа за n бросков. | categorical distribution | ступень 1 |
| квадратичная функция График — парабола. Квадратичные функции потерь (MSE) похожи на «чашу» с одним дном. | quadratic function | ступень 1 |
| квадратный корень √a = a^(1/2). В ML — √d_k в attention, стандартное отклонение, RMSNorm. | square root | ступень 1 |
| классическая вероятность Когда все исходы равновероятны, P(A) = |A| / |Ω| — доля подходящих исходов среди всех. | classical probability | ступень 1 |
| композиция функций f(g(x)) — сначала g, потом f. Нейросеть — композиция слоёв. | function composition | ступень 1 |
| косинус cos α — координата x точки на единичной окружности под углом α. Для единичных векторов скалярное произведение равно косинусу угла между ними. | cosine | ступень 1 |
| косинусное затухание learning rate После разогрева learning rate плавно спадает от пика до минимума по половине косинусоиды. | cosine decay (cosine annealing) | ступень 1 |
| кусочная функция Разные формулы на разных участках оси. ReLU = max(0, x) — самая известная кусочная функция в ML. | piecewise function | ступень 1 |
| линейная функция y = kx + b. В ML её пишут y = wx + b (w — вес, b — смещение). В китайской школе — тоже y = kx + b. | linear function | ступень 1 |
| линейное преобразование Функция f, для которой f(a + b) = f(a) + f(b) и f(c·a) = c·f(a). Каждое такое преобразование — умножение на матрицу. | linear map (linear transformation) | ступень 1 |
| линейный (полносвязный) слой y = xWᵀ + b. В PyTorch nn.Linear(in, out) хранит weight формы (out, in) — частый источник путаницы. | linear layer (fully connected layer) | ступень 1 |
| логарифм log_b x — в какую степень возвести b, чтобы получить x. Превращает произведение в сумму. | logarithm | ступень 1 |
| логарифмическая шкала Равные отрезки означают умножение (×10), а не прибавление. Степенные законы на ней — прямые линии. | logarithmic scale | ступень 1 |
| локальный минимум Точка, рядом с которой нет точек ниже, — дно «ямы». Глобальный минимум (global minimum) — самая низкая точка вообще. | local minimum | ступень 1 |
| математическое ожидание (матожидание) E[X] = Σ x·p(x) — среднее значение «в долгую», центр тяжести распределения. | expected value (expectation) | ступень 1 |
| матрица Прямоугольная таблица чисел размера m×n. Задаёт линейное преобразование из n-мерного пространства в m-мерное. | matrix | ступень 1 |
| матрица Якоби (якобиан) Таблица всех частных производных векторной функции — ∂yᵢ/∂xⱼ. Для y = Wx якобиан равен самой матрице W. | Jacobian matrix | ступень 1 |
| матричное умножение (m×n)·(n×k) → (m×k), элемент cᵢⱼ = Σₜ aᵢₜbₜⱼ. Соответствует композиции преобразований. Стоит ≈ 2·m·n·k операций. | matrix multiplication (matmul) | ступень 1 |
| мини-батч Небольшая случайная порция примеров, по которой считается одна оценка градиента и делается один шаг. | mini-batch | ступень 1 |
| множественные сравнения Чем больше проверок, тем больше ложных «открытий»: среди 20 бесполезных идей хотя бы одна окажется «значимой» на уровне 5% с вероятностью ≈ 64%. Лечат заранее зафиксированным протоколом, перепроверкой и поправками (Бонферрони). | multiple comparisons | ступень 1 |
| модуль (абсолютная величина) Расстояние от числа до нуля, |−3| = 3. В Python — abs(). Основа MAE и нормы L1. | absolute value | ступень 1 |
| мощность эксперимента Вероятность, что эксперимент обнаружит эффект, если он действительно есть. Обычно планируют 80%; для этого считают нужный размер выборки до эксперимента. | statistical power | ступень 1 |
| наклон (угловой коэффициент) На сколько меняется y, когда x растёт на 1. По двум точкам k = (y₂ − y₁) / (x₂ − x₁). | slope | ступень 1 |
| натуральный логарифм ln x = log_e x. В статьях по ML «log» без основания почти всегда означает ln; в Python — math.log. | natural logarithm | ступень 1 |
| научная (экспоненциальная) запись 3e-4 = 3·10⁻⁴ = 0.0003; 6.71e11 = 671 млрд. | scientific notation | ступень 1 |
| независимость (случайных событий и величин) P(A ∩ B) = P(A)·P(B) — знание одного не меняет вероятность другого. Токены в тексте зависимы. | statistical independence | ступень 1 |
| нижний индекс x_i — i-й элемент. В формулах счёт обычно с 1, в Python — с 0. Индекс бывает и просто названием, как k в d_k. | subscript (index) | ступень 1 |
| низкоранговое приближение Замена матрицы ближайшей матрицей ранга r. По теореме Эккарта — Янга лучшая получается, если оставить r старших слагаемых SVD. | low-rank approximation | ступень 1 |
| норма вектора «Размер» вектора. L2-норма — длина по Пифагору √(Σ vᵢ²), L1-норма — сумма модулей Σ |vᵢ|. | vector norm | ступень 1 |
| норма Фробениуса Корень из суммы квадратов всех элементов матрицы — «L2-норма матрицы, вытянутой в вектор». Равна √(Σ σᵢ²). | Frobenius norm | ступень 1 |
| нормальное (гауссовское) распределение «Колокол» N(μ, σ²). Правило 68–95–99.7 — доля значений в пределах 1, 2 и 3 σ от среднего. | normal (Gaussian) distribution | ступень 1 |
| нулевая гипотеза Предположение «эффекта нет» (модели одинаковы), относительно которого считают p-value. Обозначается H₀. | null hypothesis | ступень 1 |
| обратная KL-дивергенция (reverse KL) KL(q ‖ p), где q — модель, p — цель. «Ищет моду» — модель концентрируется на одном пике цели. Прямая KL(p ‖ q) «покрывает» все пики. | reverse KL divergence | ступень 1 |
| объединение множеств A ∪ B — элементы, которые есть хотя бы в одном из множеств. В Python: A | B. | union | ступень 1 |
| ортогональные (перпендикулярные) векторы Векторы, скалярное произведение которых равно нулю. Ортогональная матрица — та, у которой столбцы единичные и попарно ортогональны. | orthogonal vectors | ступень 1 |
| парное сравнение (парный тест) Сравнение двух вариантов на одних и тех же примерах через разность по каждому примеру (например, парный бутстрэп). Убирает общий шум лёгких и трудных вопросов, поэтому точнее сравнения двух независимых оценок. | paired test | ступень 1 |
| перекрёстная энтропия | cross-entropy | ступень 1 |
| переобучение | overfitting | ступень 1 |
| пересечение множеств A ∩ B — элементы, которые есть в обоих множествах. В Python: A & B. | intersection | ступень 1 |
| перестановка Упорядочивание набора предметов; перестановок n предметов n!. Упорядоченный выбор k из n (размещение) — n!/(n − k)! способов. | permutation | ступень 1 |
| периодическая функция Функция, значения которой повторяются через период T: f(x + T) = f(x). У sin(θ·x) период 2π/θ. | periodic function | ступень 1 |
| плотность вероятности Для непрерывных величин — «вероятность на единицу длины». Вероятность интервала — площадь под кривой; сама плотность может быть больше 1. | probability density function (PDF) | ступень 1 |
| подмножество A ⊆ B — каждый элемент A есть и в B. В Python: A <= B. У множества из n элементов 2ⁿ подмножеств. | subset | ступень 1 |
| поправка смещения (bias correction) Деление EMA на (1 − βᵗ) в Adam; исправляет занижение средних на первых шагах, когда m и v стартуют с нуля. | bias correction | ступень 1 |
| правило произведения Если первый выбор можно сделать a способами, а второй — b способами, то пару выборов — a·b способами. Отсюда Vᵀ последовательностей из T токенов. | rule of product | ступень 1 |
| предел Значение, к которому сколь угодно близко подходит выражение, когда аргумент стремится к заданному числу. | limit | ступень 1 |
| проверка градиента Сравнение аналитического градиента с численным (центральные разности) по относительной ошибке. Главный способ найти баг в backward. | gradient check | ступень 1 |
| производная Мгновенная скорость изменения функции — f′(x) = lim (f(x+h) − f(x))/h при h → 0. Геометрически — наклон касательной. | derivative | ступень 1 |
| производная по направлению Скорость изменения функции при движении в направлении единичного вектора u — равна скалярному произведению ∇f · u. | directional derivative | ступень 1 |
| прямой проход Вычисление выхода и loss по графу от входов к выходу с запоминанием промежуточных значений для обратного прохода. | forward pass | ступень 1 |
| равномерное распределение Все значения на отрезке (или все K исходов) равновероятны. U[0, 1) — то, что возвращает random(). | uniform distribution | ступень 1 |
| радиан Угол, при котором длина дуги равна радиусу. Полный оборот — 2π ≈ 6.283 радиана (360°), 1 радиан ≈ 57.3°. Все библиотеки (math, NumPy, PyTorch) ждут углы в радианах. | radian | ступень 1 |
| размер батча Число примеров (у LLM — часто число токенов) на один шаг оптимизатора. Больше батч — меньше шум градиента, но дороже шаг. | batch size | ступень 1 |
| разность множеств A ∖ B — элементы A, которых нет в B. В Python: A - B. | set difference | ступень 1 |
| разогрев learning rate (warmup) Первые сотни–тысячи шагов learning rate линейно растёт от нуля до пика, пока статистики Adam не накопились. | learning rate warmup | ступень 1 |
| расписание learning rate Правило, по которому learning rate меняется по ходу обучения — разогрев, плато, спад. | learning rate schedule | ступень 1 |
| расписание WSD (warmup — stable — decay) Разогрев, длинное плато с постоянным learning rate и короткий спад в конце. Популяризовано MiniCPM (OpenBMB и Университет Цинхуа, 2024). | warmup-stable-decay (WSD) schedule | ступень 1 |
| распределение Бернулли Величина принимает 1 с вероятностью p и 0 с вероятностью 1 − p. Пример — награда «верно/неверно». | Bernoulli distribution | ступень 1 |
| распределение вероятностей Все значения случайной величины с их вероятностями (или плотностью). Сумма вероятностей равна 1. | probability distribution | ступень 1 |
| регуляризация | regularization | ступень 1 |
| седловая точка Градиент равен нулю, но по одним направлениям функция растёт, по другим — убывает. В многомерных нейросетях встречается гораздо чаще локальных минимумов. | saddle point | ступень 1 |
| сингулярное разложение (SVD) A = UΣVᵀ — любую матрицу можно разложить на поворот, растяжение вдоль осей и ещё один поворот. Эквивалентно сумме слоёв ранга 1 σᵢuᵢvᵢᵀ. | singular value decomposition (SVD) | ступень 1 |
| сингулярное число Коэффициенты растяжения σ₁ ≥ σ₂ ≥ … ≥ 0 из SVD. Сколько из них ненулевые — таков ранг матрицы. | singular value | ступень 1 |
| синус sin α — координата y точки на единичной окружности под углом α. Значения от −1 до 1, период 2π. | sine | ступень 1 |
| скаляр Одиночное число — в отличие от вектора, матрицы или тензора. | scalar | ступень 1 |
| скалярное произведение a · b = Σ aᵢbᵢ = ‖a‖‖b‖cos θ. Основа нейрона, внимания (q · k) и выходного слоя LLM. | dot product (inner product) | ступень 1 |
| скорость обучения | learning rate | ступень 1 |
| случайная величина Число (или токен), значение которого определяется случаем. Обозначают заглавной буквой — X, Y. | random variable | ступень 1 |
| смещение (bias) Свободный член b в y = Wx + b. Не путать с «предвзятостью» модели (bias в смысле fairness) и со смещением в bias–variance. | bias | ступень 1 |
| собственная информация («удивление») I(x) = −log p(x). Чем менее вероятно событие, тем больше информации оно несёт. В битах при log₂, в натах при ln. | self-information (surprisal) | ступень 1 |
| собственное число Число λ, для которого Av = λv при некотором ненулевом v. Показывает, во сколько раз матрица растягивает «свои» направления. | eigenvalue | ступень 1 |
| собственный вектор Ненулевой вектор v, который матрица только растягивает, не поворачивая — Av = λv. | eigenvector | ступень 1 |
| совместная вероятность P(A ∩ B) или P(A, B) — вероятность того, что произошли оба события. | joint probability | ступень 1 |
| спектральная норма Наибольшее сингулярное число σ₁ — во сколько раз матрица максимально может растянуть вектор. | spectral norm | ступень 1 |
| стандартное отклонение Корень из дисперсии; измеряется в тех же единицах, что и сама величина. | standard deviation | ступень 1 |
| степень aⁿ — a, умноженное само на себя n раз. В Python — a ** n (не a ^ n, это XOR!). | power (exponentiation) | ступень 1 |
| стохастический градиентный спуск (SGD) Градиент считают не по всем данным, а по случайному примеру или мини-батчу. В PyTorch torch.optim.SGD — это просто «шаг против градиента», какой бы батч вы ни подали. | stochastic gradient descent (SGD) | ступень 1 |
| транспонирование Строки становятся столбцами — Aᵀ. Полезное правило — (AB)ᵀ = BᵀAᵀ. В NumPy и PyTorch — A.T. | transpose | ступень 1 |
| угловая частота На сколько радиан поворачивается точка за единицу времени или за один шаг (токен). Связь с частотой f в герцах: ω = 2πf; период T = 2π/ω. | angular frequency | ступень 1 |
| условная вероятность P(A | B) = P(A ∩ B) / P(B) — вероятность A, если известно, что B произошло. В общем случае P(A | B) ≠ P(B | A). | conditional probability | ступень 1 |
| факториал n! = 1·2·…·n — число способов выстроить n предметов в ряд; 0! = 1. Растёт быстрее любой экспоненты: 20! ≈ 2.4·10¹⁸. | factorial | ступень 1 |
| формула (теорема) Байеса P(H | E) = P(E | H)·P(H) / P(E) — переворачивает условие. Апостериорная ∝ правдоподобие × априорная. | Bayes' theorem | ступень 1 |
| функция потерь | loss function | ступень 1 |
| функция распределения (CDF) F(x) = P(X ≤ x); для дискретной величины — накопленные суммы вероятностей. Через неё сэмплируют методом обратной функции. | cumulative distribution function (CDF) | ступень 1 |
| центральная предельная теорема (ЦПТ) Среднее многих независимых одинаково распределённых величин распределено почти нормально со стандартным отклонением σ/√n — каким бы ни было исходное распределение. Отсюда интервал ± 1.96·SE. | central limit theorem (CLT) | ступень 1 |
| цепное правило Производная композиции — произведение производных звеньев — (f(g(x)))′ = f′(g(x))·g′(x). Математическая основа backprop. | chain rule | ступень 1 |
| частная производная ∂f/∂x — производная функции многих переменных по одной из них, когда остальные заморожены. | partial derivative | ступень 1 |
| численная производная (конечные разности) Приближение производной по значениям функции. Центральная разность (f(x+h) − f(x−h))/2h точнее прямой (f(x+h) − f(x))/h. | numerical derivative (finite differences) | ступень 1 |
| число обусловленности Отношение самой большой кривизны к самой маленькой. Большое число обусловленности — вытянутый «овраг», где градиентный спуск зигзагует. | condition number | ступень 1 |
| число сочетаний (биномиальный коэффициент) C(n, k) = n! / (k!(n − k)!) — сколькими способами выбрать k предметов из n без учёта порядка. В Python: math.comb(n, k). | binomial coefficient, "n choose k" | ступень 1 |
| число e (число Эйлера) e ≈ 2.71828 — предел (1 + 1/n)ⁿ. Основание экспоненты и натурального логарифма. | Euler's number e | ступень 1 |
| экспонента (показательная функция) eˣ — всегда положительна, растёт взрывообразно. Внутри softmax и сигмоиды. | exponential function | ступень 1 |
| экспоненциальное скользящее среднее (EMA) m ← βm + (1 − β)x. Помнит примерно последние 1/(1 − β) значений; при β = 0.9 — около 10. | exponential moving average (EMA) | ступень 1 |
| энтропия (информационная) H(p) = −Σ p log p — среднее «удивление», мера неопределённости распределения. Максимальна у равномерного распределения. | (Shannon) entropy | ступень 1 |
| эпоха Один полный проход по обучающим данным. LLM на претрейне часто не делают и одной эпохи. | epoch | ступень 1 |
| Adam Momentum + RMSProp + поправка смещения. Стандартный оптимизатор нейросетей с 2015 года. | Adam (adaptive moment estimation) | ступень 1 |
| AdamW Adam, в котором затухание весов применяется отдельно от адаптивного шага. Оптимизатор по умолчанию для обучения LLM. | AdamW (Adam with decoupled weight decay) | ступень 1 |
| KL-дивергенция (дивергенция Кульбака — Лейблера) KL(p ‖ q) = Σ p log(p / q) = H(p, q) − H(p) ≥ 0. Несимметрична, поэтому не настоящее расстояние. | Kullback–Leibler divergence | ступень 1 |
| p-value (p-значение) Как часто случай дал бы результат не менее экстремальный, чем наблюдаемый, если бы эффекта не было. Не вероятность того, что эффекта нет, и не размер эффекта. Порог «значимости» по соглашению — 0.05. | p-value | ступень 1 |
| RMSProp Делит шаг каждого параметра на корень из EMA квадратов его градиентов — адаптивный learning rate по координатам. Предложен Хинтоном в курсе лекций, без статьи. | RMSProp (root mean square propagation) | ступень 1 |
| ансамблевое обучение, ансамбль моделей | ensemble learning | ступень 2 |
| базовое решение, бейзлайн Простейшая модель (среднее, самый частый класс), с которой сравнивают всё остальное. | baseline | ступень 2 |
| бинарная перекрёстная энтропия (BCE) | binary cross-entropy (BCE), log loss | ступень 2 |
| бутстрэп (выборка с возвращением) Основа бэггинга (bagging) и случайного леса. | bootstrap sampling | ступень 2 |
| важность признаков Split — число разбиений по признаку, gain — суммарное уменьшение потери, permutation — рост ошибки на валидации при перемешивании признака. Описывает модель, а не причинность. | feature importance | ступень 2 |
| валидационная выборка (val, dev) Нужна для выбора гиперпараметров и ранней остановки. Тест при этом не трогаем. | validation set | ступень 2 |
| вложенная кросс-валидация Внешний цикл оценивает качество, внутренний на каждой train-части заново подбирает гиперпараметры — честная оценка всей процедуры подбора. | nested cross-validation | ступень 2 |
| гиперпараметр Настройка, которую не учат градиентом, а выбирают по валидации — степень полинома, λ, learning rate, число слоёв. | hyperparameter | ступень 2 |
| градиентный бустинг Реализации — XGBoost, LightGBM, CatBoost. | gradient boosting (GBDT) | ступень 2 |
| граница решения | decision boundary | ступень 2 |
| гребневая регрессия (ridge), L2-регуляризация Штраф λ‖w‖² к функции потерь. В нейросетях та же идея называется weight decay. | ridge regression | ступень 2 |
| группировка (groupby) Разбить строки на группы по ключу, посчитать сводку в каждой (agg) или вернуть значение каждой строке (transform), собрать результат. | group by / split-apply-combine | ступень 2 |
| групповая кросс-валидация (GroupKFold) Все строки одной группы (клиента, пациента, компании) попадают в один фолд. Нужна, когда в будущем модель увидит новые группы. | group k-fold | ступень 2 |
| двойной спуск | double descent | ступень 2 |
| дерево решений | decision tree | ступень 2 |
| дисбаланс классов | class imbalance | ступень 2 |
| доля правильных ответов (accuracy) По-русски accuracy иногда тоже называют «точностью» — из-за этого её путают с precision. Безопаснее писать «accuracy». | accuracy | ступень 2 |
| загрязнение данных (утечка бенчмарка в обучение) Задачи из тестового бенчмарка попали в обучающий корпус LLM — оценка становится завышенной. Родственное явление — «шуабан», подгонка модели под лидерборд. | data contamination | ступень 2 |
| индекс Джини (неопределённость Джини) Критерий разбиения в CART. Не путать с коэффициентом Джини из экономики. | Gini impurity | ступень 2 |
| индуктивное смещение (априорные предпочтения модели) Какие решения модель «предпочитает» при прочих равных. В «арбузной книге» Чжоу Чжихуа — «индуктивное предпочтение». | inductive bias | ступень 2 |
| калибровка вероятностей Среди объектов с прогнозом p событие происходит примерно в доле p случаев. Проверяют кривой калибровки и Brier score; чинят изотонической регрессией или сигмоидой Платта. | probability calibration | ступень 2 |
| классификация Задача выбора одного класса из конечного набора. Предсказание следующего токена — классификация на V классов. | classification | ступень 2 |
| кластеризация | clustering | ступень 2 |
| кодирование средним целевой переменной (target encoding) Категория → среднее цели по ней. Без out-of-fold и сглаживания протекает целевой переменной: у редких категорий кодировка почти равна метке. | target encoding | ступень 2 |
| компромисс смещения и разброса | bias–variance tradeoff | ступень 2 |
| конвейер (Pipeline) Препроцессинг и модель как один объект с fit/predict. В кросс-валидации все шаги обучаются только на train-части фолда — утечки через предобработку исключены. | ML pipeline (scikit-learn Pipeline) | ступень 2 |
| конструирование признаков (feature engineering) Превращение сырых столбцов в признаки для модели: масштабирование, логарифм, кодирование категорий, признаки из дат и текста. | feature engineering | ступень 2 |
| корреляция (коэффициент Пирсона) Число от −1 до 1 — сила ЛИНЕЙНОЙ связи двух признаков; косинус угла между центрированными векторами. Корреляция Спирмена — то же по рангам. | correlation (Pearson coefficient) | ступень 2 |
| кривая обучения | learning curve | ступень 2 |
| кросс-валидация для временных рядов Обучение на прошлом, валидация на следующем отрезке времени; модель никогда не видит будущего. | time series split (forward chaining) | ступень 2 |
| кросс-валидация, перекрёстная проверка Самый частый вариант — k-кратная кросс-валидация (k-fold cross-validation). | cross-validation | ступень 2 |
| линейная регрессия | linear regression | ступень 2 |
| логистическая регрессия Несмотря на название, это метод классификации. У Чжоу Чжихуа («арбузная книга») — «регрессия логарифма шансов», у Ли Хана («Методы статистического обучения») — фонетическая запись английского слова logistic. | logistic regression | ступень 2 |
| логит Строго — логарифм шансов log(p / (1 − p)). В нейросетях логитами называют любые выходы до softmax или сигмоиды. | logit | ступень 2 |
| матрица ошибок | confusion matrix | ступень 2 |
| метка, целевая переменная, таргет | label / target | ступень 2 |
| метод главных компонент (PCA) | principal component analysis (PCA) | ступень 2 |
| метод Ньютона Шаг оптимизации с учётом кривизны: приблизить функцию параболой g·w + ½·h·w² и прыгнуть в её минимум w = −g/h. В бустинге так считают значения листьев. | Newton's method | ступень 2 |
| метод k ближайших соседей (kNN) | k-nearest neighbors (kNN) | ступень 2 |
| метод k-средних (k-means) | k-means | ступень 2 |
| минимизация эмпирического риска Подбор параметров, минимизирующих средний loss на обучающей выборке. В учебнике Ли Хана — «стратегия», одна из трёх составляющих метода. | empirical risk minimization (ERM) | ступень 2 |
| недообучение | underfitting | ступень 2 |
| нейронная сеть | neural network | ступень 2 |
| нормальное уравнение XᵀXw = Xᵀy — условие минимума MSE. Его решение называют аналитическим решением (closed-form solution). | normal equation | ступень 2 |
| обобщение, обобщающая способность | generalization | ступень 2 |
| обратное распространение ошибки | backpropagation | ступень 2 |
| обучающая выборка (train) | training set | ступень 2 |
| обучение без учителя Меток нет; ищем структуру в данных — кластеры, главные направления, плотность. | unsupervised learning | ступень 2 |
| обучение с учителем Для каждого примера известен правильный ответ (метка). SFT в LLM — тоже обучение с учителем. | supervised learning | ступень 2 |
| оптимизатор | optimizer | ступень 2 |
| парадокс Симпсона Связь в каждой группе направлена в одну сторону, а в объединённых данных — в другую из-за разного состава групп. | Simpson's paradox | ступень 2 |
| перцептрон Модель Фрэнка Розенблатта (1958) — линейный классификатор с пороговой активацией, предок нейросетей. | perceptron | ступень 2 |
| полнота (recall) TP / (TP + FN). Recall — буквально «отозвать, вернуть»: та же метрика recall@k в поиске и RAG. | recall | ступень 2 |
| порог классификации | classification threshold | ступень 2 |
| признак Одно измеримое свойство объекта, вход модели. «Feature engineering» — конструирование признаков. | feature | ступень 2 |
| прирост информации Критерий разбиения в алгоритме ID3 — насколько разбиение уменьшает энтропию меток. | information gain | ступень 2 |
| проклятие размерности | curse of dimensionality | ступень 2 |
| пропуск (пропущенное значение) Клетка без значения; в pandas — NaN (для дат — NaT). Агрегаты вроде mean пропуски пропускают. | missing value (NaN) | ступень 2 |
| разведочный анализ данных (EDA) Систематический первый взгляд на данные до модели — распределения, выбросы, связи, утечки, дубликаты. | exploratory data analysis (EDA) | ступень 2 |
| ранняя остановка | early stopping | ступень 2 |
| регрессия Задача предсказания числа (цены, температуры, времени). | regression | ступень 2 |
| рекуррентная нейросеть | recurrent neural network (RNN) | ступень 2 |
| рост дерева по листьям Стратегия LightGBM: каждый раз делить один лист с наибольшим выигрышем. Альтернатива — рост по уровням (XGBoost по умолчанию). | leaf-wise tree growth | ступень 2 |
| самообучение, самоконтролируемое обучение Метки берутся из самих данных (например, следующий токен текста). Так идёт предобучение LLM. | self-supervised learning | ступень 2 |
| свёрточная нейросеть | convolutional neural network (CNN) | ступень 2 |
| сигмоида (логистическая функция) σ(z) = 1 / (1 + e^(−z)) — превращает любое число в вероятность от 0 до 1. | sigmoid (logistic function) | ступень 2 |
| случайный лес | random forest | ступень 2 |
| снижение размерности | dimensionality reduction | ступень 2 |
| соединение таблиц (merge, join) Склеить строки двух таблиц по общему ключу. Типы: inner, left, right, outer. Дубликат ключа в справочнике размножает строки. | join / merge | ступень 2 |
| среднеквадратичная ошибка (MSE) Корень из MSE — RMSE (root mean squared error), измеряется в тех же единицах, что и целевая переменная. | mean squared error (MSE) | ступень 2 |
| средняя абсолютная ошибка (MAE) | mean absolute error (MAE) | ступень 2 |
| стандартизация признаков (x − μ)/σ. Не путайте с нормализацией (normalization) — обычно это min-max масштабирование в [0, 1]; в китайских текстах эти термины иногда смешивают. | feature standardization (z-score) | ступень 2 |
| стратифицированная кросс-валидация Каждый фолд сохраняет доли классов всей выборки; стандарт для классификации, особенно при дисбалансе. | stratified k-fold | ступень 2 |
| табличные данные | tabular data | ступень 2 |
| тестовая выборка (test) Смотрим на неё один раз — в самом конце, чтобы честно оценить качество. | test set | ступень 2 |
| точность (precision) TP / (TP + FP). У Чжоу Чжихуа термин буквально означает «доля точных среди найденного». | precision | ступень 2 |
| утечка данных | data leakage | ступень 2 |
| функция активации | activation function | ступень 2 |
| центроид | centroid | ступень 2 |
| цепочка методов Запись преобразований таблицы подряд через точку: df.query(...).assign(...).groupby(...).agg(...). | method chaining | ступень 2 |
| ящик с усами (boxplot) Ящик — от Q1 до Q3 с линией медианы; усы — до Q1 − 1.5·IQR и Q3 + 1.5·IQR; точки за усами — кандидаты в выбросы. | box plot | ступень 2 |
| DataFrame (таблица pandas) Таблица из столбцов-Series с общим индексом; у каждого столбца свой тип. | DataFrame | ступень 2 |
| F1-мера Гармоническое среднее precision и recall. | F1 score | ступень 2 |
| Parquet Двоичный колоночный формат таблиц со сжатием и сохранением типов. Можно читать только нужные столбцы. | Apache Parquet | ступень 2 |
| ROC-AUC (площадь под ROC-кривой) Вероятность того, что случайный положительный пример получит скор выше случайного отрицательного. | ROC AUC (area under the ROC curve) | ступень 2 |
| Series (столбец pandas) Одномерный массив NumPy плюс индекс — подписи строк. Арифметика выравнивает значения по подписям. | pandas Series | ступень 2 |
| SHAP (значения Шепли) Вклад каждого признака в конкретный прогноз по теории игр: базовое значение плюс сумма вкладов равно прогнозу. Для деревьев — точный алгоритм TreeSHAP. | SHAP (Shapley additive explanations) | ступень 2 |
| softmax-регрессия (многоклассовая логистическая регрессия) | softmax regression (multinomial logistic regression) | ступень 2 |
| t-SNE (стохастическое вложение соседей) Метод визуализации, сохраняющий соседство точек. Размеры кластеров и расстояния между далёкими кластерами на картинке t-SNE почти ничего не значат. | t-distributed stochastic neighbor embedding (t-SNE) | ступень 2 |
| «алхимия» («ляньдань») — сленг для обучения моделей Буквально «выплавлять пилюлю бессмертия». Обучение нейросети, особенно подбор гиперпараметров на ощупь. «Ляньдань-ши» («мастер алхимии») — ML-инженер, «ляньдань-лу» («алхимическая печь») — сервер с GPU. | alchemy (Chinese ML slang for training models) | ступень 3 |
| автоматическое дифференцирование (автоград) Программа записывает операции в граф и сама считает производные по цепному правилу. Для loss → параметры используют обратный режим (reverse mode) — это и есть backprop. | automatic differentiation (autograd) | ступень 3 |
| аугментация данных Случайные преобразования обучающих примеров, которые не меняют ответ: сдвиг, отражение, изменение цвета. Дают модели «бесплатные» новые примеры и снижают переобучение. Применяют только к обучающей выборке. | data augmentation | ступень 3 |
| блок-«бутылочное горлышко» (bottleneck) Остаточный блок ResNet-50 и глубже: свёртка 1×1 сужает каналы в 4 раза, свёртка 3×3 работает на узком тензоре, свёртка 1×1 расширяет обратно. | bottleneck block | ступень 3 |
| взрыв градиентов Обратная ситуация: множители больше 1, градиенты растут экспоненциально (1.1⁵⁰ ≈ 117), loss становится nan. Лечат инициализацией, нормализацией и gradient clipping. | exploding gradients | ступень 3 |
| всплеск loss Резкий скачок функции потерь во время обучения. В больших моделях может испортить многодневный прогон, поэтому техотчёты отдельно сообщают об их отсутствии. | loss spike | ступень 3 |
| гейт (вентиль) Вектор из чисел от 0 до 1 (через сигмоиду), который поэлементно решает, какую долю сигнала пропустить. Из LSTM гейты перешли в SwiGLU, gated attention и Gated DeltaNet. | gate, gating | ступень 3 |
| глобальный средний пулинг Усредняет каждую карту признаков целиком в одно число: (N, C, H, W) → (N, C). Стоит перед классификатором в ResNet и позволяет подавать картинки любого размера. | global average pooling (GAP) | ступень 3 |
| детекция объектов Найти на картинке все объекты: для каждого — рамку и класс. Семейства моделей: двухстадийные (Faster R-CNN), одностадийные (YOLO), трансформерные (DETR). | object detection | ступень 3 |
| детерминизм (детерминированность) Одинаковый вход и код всегда дают побитово одинаковый результат. Seed фиксирует случайность, но на GPU ещё нужны детерминированные алгоритмы ( torch.use_deterministic_algorithms(True)). | determinism | ступень 3 |
| динамический граф (define-by-run) Граф строится заново при каждом выполнении кода, поэтому работают обычные if и for. Так устроены micrograd и PyTorch; противоположность — статический граф (static graph), который сначала описывают, потом запускают. | dynamic computational graph (define-by-run) | ступень 3 |
| дополнение (padding) Рамка из нулей вокруг входа, чтобы свёртка не уменьшала размер: для ядра 3×3 и шага 1 нужна рамка шириной 1. | padding | ступень 3 |
| дропаут (dropout) На обучении каждая активация обнуляется с вероятностью p, остальные умножаются на 1/(1 − p); на инференсе слой ничего не делает. В претрейне современных LLM обычно p = 0. | dropout | ступень 3 |
| загрузчик данных (DataLoader) Берёт Dataset и выдаёт батчи: перемешивает, склеивает примеры в тензоры, может грузить данные в нескольких процессах. | data loader | ступень 3 |
| затухание градиентов Градиент первых слоёв — произведение множителей всех слоёв выше; если они меньше 1, он экспоненциально уменьшается с глубиной (0.9⁵⁰ ≈ 0.005), и нижние слои перестают учиться. | vanishing gradients | ступень 3 |
| инициализация весов Выбор начальных значений весов; главное — дисперсия, при которой сигнал не затухает и не взрывается от слоя к слою. | weight initialization | ступень 3 |
| инициализация Kaiming (He) Var(w) = 2 / n_in (He и соавт., MSRA, 2015). Двойка компенсирует то, что ReLU обнуляет половину входов. В PyTorch — nn.init.kaiming_normal_. | Kaiming / He initialization | ступень 3 |
| инициализация Xavier (Glorot) Var(w) = 2 / (n_in + n_out) (Glorot, Bengio, 2010): компромисс между условиями прямого и обратного прохода. Рассчитана на активации, которые около нуля ведут себя как тождество (tanh, линейные слои); с ReLU сигнал затухает — там нужна Kaiming. | Xavier / Glorot initialization | ступень 3 |
| карта признаков Выход одного ядра свёртки — двумерная «картинка» откликов. Слой с C_out ядрами выдаёт C_out карт признаков (каналов). | feature map (activation map) | ступень 3 |
| контекстное окно | context window | ступень 3 |
| линейный зонд (linear probing) Вариант переноса обучения: веса предобученной сети заморожены, обучается только новый линейный слой поверх её признаков. Быстро и устойчиво на маленьких данных. | linear probing | ступень 3 |
| листовой тензор Тензор, созданный пользователем, а не операцией ( is_leaf == True). Обычно это параметры модели и входы. Только у листьев с requires_grad после backward() заполняется .grad. | leaf tensor | ступень 3 |
| механизм внимания | attention | ступень 3 |
| многоголовое внимание | multi-head attention (MHA) | ступень 3 |
| многослойный перцептрон (MLP) Чередование линейных слоёв и нелинейных активаций. FFN в блоке трансформера — это MLP с одним скрытым слоем. | multilayer perceptron (MLP) | ступень 3 |
| модуль (nn.Module) Базовый класс всех слоёв и моделей PyTorch. Сам находит параметры во вложенных модулях, переносит их на устройство, сохраняет и загружает. В d2l-zh называется «блоком». | module (nn.Module) | ступень 3 |
| накопление градиентов Градиенты складываются (+=), а не перезаписываются. Внутри графа так учитываются все пути к узлу; на уровне обучения — шаг оптимизатора делают раз в несколько микробатчей. | gradient accumulation | ступень 3 |
| нейрон (искусственный нейрон) Взвешенная сумма входов плюс сдвиг, пропущенная через нелинейность: a = f(w·x + b). | neuron (artificial neuron, unit) | ступень 3 |
| норма градиента Длина вектора всех градиентов модели (обычно L2). Главный «пульс» обучения: резкий рост предвещает всплеск loss. | gradient norm | ступень 3 |
| нормализация слоя | layer normalization | ступень 3 |
| обратное распространение во времени (BPTT) Backprop по развёрнутой во времени RNN. Градиент к ранним шагам проходит через одну и ту же матрицу много раз, отсюда затухание и взрыв. | backpropagation through time (BPTT) | ступень 3 |
| обрезка градиента (gradient clipping) Если норма градиента больше порога, градиент масштабируют до порога: clip_grad_norm_(params, 1.0). Стандарт в обучении LLM. | gradient clipping | ступень 3 |
| ограничивающая рамка Прямоугольник вокруг объекта, обычно (x1, y1, x2, y2) — левый верхний и правый нижний углы. | bounding box | ступень 3 |
| операция «на месте» (in-place) Меняет тензор, а не создаёт новый: x += 1, x.zero_(), x.add_(y). В PyTorch такие методы оканчиваются на _. | in-place operation | ступень 3 |
| основа сети (backbone) Часть сети, которая извлекает признаки (например, ResNet без последнего линейного слоя). К ней приставляют «голову» под конкретную задачу: классификацию, детекцию, сегментацию. | backbone | ступень 3 |
| остаточная связь | residual connection | ступень 3 |
| пакетная нормализация (BatchNorm) Нормирует каждый признак по примерам батча, хранит скользящие статистики для инференса (Ioffe, Szegedy, 2015). Стандарт CNN; в LLM не используется. | batch normalization | ступень 3 |
| перенос обучения Берём модель, обученную на большой задаче (ImageNet), и дообучаем на своей маленькой. Признаки нижних слоёв (края, текстуры) универсальны и переносятся. | transfer learning | ступень 3 |
| перплексия | perplexity | ступень 3 |
| подавление немаксимумов (NMS) Чистка дублей в детекции: берём рамку с наибольшей уверенностью, выкидываем все рамки, которые перекрываются с ней сильнее порога IoU, повторяем. | non-maximum suppression (NMS) | ступень 3 |
| подбор гиперпараметров Поиск learning rate, размера батча, ширины сети и т. п. «Тяоцань-ся» — «рыцарь подкрутки параметров». | hyperparameter tuning | ступень 3 |
| позиционное кодирование | positional encoding | ступень 3 |
| поканальная (depthwise) свёртка Свой фильтр k×k для каждого канала, каналы не смешиваются (groups = C в PyTorch). Параметров C · k² вместо C² · k². | depthwise convolution | ступень 3 |
| полносвязный блок (FFN) | feed-forward network (FFN) | ступень 3 |
| причинная свёртка Одномерная свёртка по времени, которая видит только текущий и прошлые шаги: рамку из нулей добавляют только слева (k − 1 нулей). Так устроены WaveNet и короткие свёртки в слоях линейного внимания. | causal convolution | ступень 3 |
| проблема деградации Более глубокая обычная сеть показывает БОЛЬШУЮ ошибку даже на обучающих данных, чем мелкая. Это трудность оптимизации, а не переобучение; её решили остаточные связи. | degradation problem | ступень 3 |
| пулинг (субдискретизация) Сжатие карты признаков — максимум (max pooling) или среднее по окну, например 2×2. Обучаемых параметров нет. | pooling | ступень 3 |
| разделение весов Одни и те же параметры применяются в разных местах — ядро свёртки во всех позициях картинки, матрицы RNN на всех шагах времени. | weight sharing | ступень 3 |
| разделимая (depthwise separable) свёртка Поканальная свёртка k×k, за ней свёртка 1×1. Основа MobileNet и Xception: при C = 256 и k = 3 параметров в 8.7 раза меньше, чем у обычной свёртки. | depthwise separable convolution | ступень 3 |
| расширенная («дырявая») свёртка Ядро с промежутками: при dilation = d между соседними элементами ядра d − 1 пропущенных пикселей. Ядро 3×3 с d = 2 охватывает окно 5×5 без новых параметров. | dilated (atrous) convolution | ступень 3 |
| рецептивное поле Область входа, от которой зависит один нейрон. Две свёртки 3×3 подряд видят 5×5, три — 7×7: глубина расширяет «взгляд». | receptive field | ступень 3 |
| ротационные позиционные эмбеддинги (RoPE) RoPE предложен в Китае (Су Цзяньлинь и соавторы, компания Zhuiyi). Сейчас используется почти во всех LLM. | rotary position embedding (RoPE) | ступень 3 |
| самовнимание | self-attention | ступень 3 |
| свёртка Маленькое окно весов скользит по входу; в каждой позиции считается скалярное произведение окна и фрагмента входа. В нейросетях это формально взаимная корреляция (cross-correlation). | convolution | ступень 3 |
| свёртка 1×1 (pointwise) Ядро 1×1 смешивает каналы в каждом пикселе независимо — это линейный слой, применённый к каждому пикселю. Параметров C_in · C_out. | pointwise (1×1) convolution | ступень 3 |
| связывание весов (общие эмбеддинги входа и выхода) Одна и та же матрица служит эмбеддингом токенов и LM head. Её градиент — сумма вкладов от обоих мест. В Hugging Face — флаг tie_word_embeddings. | weight tying (tied embeddings) | ступень 3 |
| семантическая сегментация Классификация каждого пикселя: выход сети — карта классов того же размера, что картинка. Классическая архитектура — U-Net. | semantic segmentation | ступень 3 |
| словарь состояния (state_dict) Словарь «имя → тензор» со всеми параметрами и буферами модуля (или с состоянием оптимизатора). Именно его сохраняют через torch.save. | state dict | ступень 3 |
| теорема об универсальной аппроксимации Сеть с одним скрытым слоем и неполиномиальной активацией приближает любую непрерывную функцию на ограниченной области. Ничего не говорит о числе нейронов, обучении и обобщении. | universal approximation theorem | ступень 3 |
| токен В разговорной речи и статьях китайцы чаще всего пишут просто «token». | token | ступень 3 |
| токенизатор | tokenizer | ступень 3 |
| топологическая сортировка Порядок узлов ориентированного графа без циклов, в котором каждый узел идёт после всех, от кого зависит. backward() обходит его в обратную сторону. | topological sort | ступень 3 |
| транспонированная свёртка Операция, которая увеличивает карту признаков (например, 16×16 → 32×32). Математически это обратный проход обычной свёртки по входу; в PyTorch — nn.ConvTranspose2d. Встречается в декодере U-Net. | transposed convolution | ступень 3 |
| устройство (device) Где хранится тензор и где выполняются операции с ним: "cpu", "cuda", "mps" (Apple), "npu" (Huawei Ascend через плагин torch_npu). Операнды одной операции должны быть на одном устройстве. | device | ступень 3 |
| фреймворк глубокого обучения Библиотека, которая даёт тензоры, автоматическое дифференцирование, слои и оптимизаторы и умеет считать на GPU: PyTorch, JAX, TensorFlow; в Китае — PaddlePaddle, MindSpore, Jittor. | deep learning framework | ступень 3 |
| цикл обучения Повторять: прямой проход и loss → обнуление градиентов → backward → шаг оптимизатора. | training loop | ступень 3 |
| чекпоинт (контрольная точка) Сохранённое состояние обучения: веса модели, состояние оптимизатора, номер шага. Позволяет продолжить обучение после сбоя. | checkpoint | ступень 3 |
| шаг свёртки (stride) На сколько позиций сдвигается окно свёртки; при шаге 2 выход вдвое меньше по каждой оси. | stride | ступень 3 |
| эквивариантность к сдвигу Сдвинули вход — выход свёртки сдвинулся так же. Это индуктивное смещение CNN; d2l-zh говорит о близком свойстве — инвариантности к сдвигу. | translation equivariance | ступень 3 |
| эмбеддинг, векторное представление | embedding | ступень 3 |
| ядро свёртки (фильтр) Обучаемая матрица весов свёртки, например 3×3; одна и та же во всех позициях входа. | convolution kernel (filter) | ступень 3 |
| CUDA Платформа NVIDIA для вычислений на видеокартах. В PyTorch видеокарта NVIDIA — это устройство "cuda" ("cuda:0", "cuda:1"…). | CUDA (Compute Unified Device Architecture) | ступень 3 |
| GELU GELU(z) = z·Φ(z), где Φ — функция распределения N(0, 1). Гладкая активация BERT и GPT-2 (в GPT-2 — tanh-приближение). | Gaussian error linear unit (GELU) | ступень 3 |
| GEMM (общее матричное умножение) Операция C = αAB + βC из библиотек BLAS. Самая оптимизированная операция на CPU и GPU; к ней сводят свёртки, линейные слои и внимание. | general matrix multiplication (GEMM) | ступень 3 |
| Grad-CAM (карта внимания по градиентам) Тепловая карта «куда смотрела сеть»: карты признаков последнего свёрточного слоя складываются с весами — средними градиентами логита класса по каждой карте (Selvaraju et al., 2017). | Gradient-weighted Class Activation Mapping (Grad-CAM) | ступень 3 |
| GRU (управляемый рекуррентный блок) Упрощённая LSTM с двумя гейтами и без отдельной ячейки памяти (Cho и соавт., 2014). | gated recurrent unit (GRU) | ступень 3 |
| im2col (развёртка окон в матрицу) Каждое окно свёртки вытягивают в строку матрицы, и свёртка превращается в одно матричное умножение. Так считал свёртку Caffe; cuDNN делает то же без явной матрицы (implicit GEMM). | im2col (image to column) | ступень 3 |
| IoU (пересечение на объединение) Площадь пересечения двух рамок, делённая на площадь их объединения: 1 — рамки совпадают, 0 — не пересекаются. Предсказание обычно считают верным при IoU ≥ 0.5. | intersection over union (IoU) | ступень 3 |
| LSTM (долгая краткосрочная память) RNN с ячейкой памяти c_t и тремя гейтами (Hochreiter, Schmidhuber, 1997). Ячейка обновляется сложением c_t = f·c_{t−1} + i·g — «остаточная связь во времени». | long short-term memory (LSTM) | ступень 3 |
| MNIST (рукописные цифры) 70 000 изображений рукописных цифр 28×28 (60 000 обучающих и 10 000 тестовых). «Hello, world» глубокого обучения. | MNIST | ступень 3 |
| ReLU (выпрямитель) ReLU(z) = max(0, z). Дешёвая, не насыщается при z > 0; минус — «мёртвые» нейроны, у которых z < 0 на всех примерах. | rectified linear unit (ReLU) | ступень 3 |
| ResNet (остаточная сеть) Сеть из блоков x + F(x) (He, Zhang, Ren, Sun, MSRA, 2015). 152 слоя, победа на ILSVRC 2015; остаточная связь из ResNet стоит в каждом трансформере. | residual network (ResNet) | ступень 3 |
| SiLU (Swish) SiLU(z) = z·σ(z). Внутри SwiGLU — в FFN Llama, Qwen, DeepSeek. Минимум ≈ −0.278 при z ≈ −1.28. | sigmoid linear unit (SiLU), Swish | ступень 3 |
| абсолютное позиционное кодирование Каждый токен получает метку своего номера в тексте (синусоиды, обучаемая таблица). Расстояние между токенами модель должна вывести сама. | absolute positional encoding | ступень 4 |
| авторегрессионная модель (авторегрессия) Генерирует последовательность по одному элементу, подавая каждый сгенерированный токен обратно на вход. Так работают GPT, Qwen, DeepSeek. | autoregressive model | ступень 4 |
| аддитивное внимание (внимание Bahdanau) Оценка сходства маленькой сетью v^T tanh(W q + U k). Предложено Bahdanau, Cho, Bengio (2014) для перевода. | additive attention (Bahdanau attention) | ступень 4 |
| аналогии слов (векторная арифметика) Задача «a относится к b, как c к ?», решается поиском слова, ближайшего к вектору b − a + c. | word analogy | ступень 4 |
| базовая модель | base model | ступень 4 |
| байтовый откат Приём SentencePiece (Llama 2) — символ, которого нет в словаре, кодируется своими байтами вида <0xE9> вместо <unk>. | byte fallback | ступень 4 |
| байтовый BPE (byte-level BPE) BPE, у которого базовый словарь — 256 байтов UTF-8. Любой текст кодируется без <unk>. Используется в GPT-2, GPT-4o, Llama 3, Qwen, DeepSeek. | byte-level BPE (BBPE) | ступень 4 |
| балансировка нагрузки | load balancing | ступень 4 |
| биграмма Пара соседних токенов. Биграммная модель оценивает P(x_t | x_{t−1}) — таблица V × V. | bigram | ступень 4 |
| блок трансформера Внимание + FFN, каждое с остаточной связью и нормализацией. Вход и выход — матрица (T, d), поэтому блоки складываются в стопку (12 у GPT-2 small, 36 у Qwen3-8B, 61 у DeepSeek-V3). | Transformer block (layer) | ступень 4 |
| бутылочное горлышко seq2seq В seq2seq без внимания энкодер сжимает весь вход в одно состояние фиксированного размера. Короткий вход в нём помещается, длинный — нет, и качество падает с длиной. Лечится вниманием к состояниям энкодера (Bahdanau, 2014). | seq2seq bottleneck (fixed-size context vector) | ступень 4 |
| веса внимания Результат softmax от оценок внимания. Неотрицательны, в сумме по ключам дают 1; показывают, «куда смотрит» запрос. | attention weights | ступень 4 |
| выравнивание слов (в переводе) Соответствие «слово перевода ↔ слово оригинала». Модель с вниманием выучивает его сама — его видно в таблице весов внимания. | word alignment | ступень 4 |
| выходная проекция (W_O) Матрица, которая смешивает склеенные выходы голов и возвращает вектор размера d_model. Эквивалентно сумме вкладов голов, у каждой — свой блок W_O. | output projection | ступень 4 |
| голова внимания Одна независимая копия внимания со своими проекциями размера d_h = d_model / H. Головы работают параллельно и смотрят на разные отношения между токенами. | attention head | ступень 4 |
| голова классификации Небольшой слой (обычно линейный) поверх предобученного энкодера, который превращает вектор [CLS] в логиты классов. Инициализируется случайно и обучается при дообучении. | classification head | ступень 4 |
| дистрибутивная гипотеза Слова, которые встречаются в похожих контекстах, имеют похожий смысл (Harris, 1954; Firth, 1957). | distributional hypothesis | ступень 4 |
| длинный контекст | long context | ступень 4 |
| жадное декодирование (greedy) На каждом шаге берётся самый вероятный токен (argmax). Детерминировано, но склонно к повторам. | greedy decoding | ступень 4 |
| законы масштабирования | scaling laws | ступень 4 |
| закрепление версий зависимостей Фиксация точных версий библиотек (numpy==2.4.6, а не numpy>=2), чтобы окружение можно было воспроизвести. Снимок текущего окружения — pip freeze > requirements.lock.txt. | dependency pinning | ступень 4 |
| запрос, ключ, значение (Q, K, V) Три роли во внимании. Запрос сравнивается с ключами, по сходству получаются веса, ответ — взвешенная сумма значений. В трансформере все три получаются из токена обучаемыми матрицами W_Q, W_K, W_V. | query, key, value (QKV) | ступень 4 |
| иерархический softmax Слова — листья двоичного дерева (в word2vec — дерева Хаффмана). Вероятность слова — произведение log₂V бинарных решений на пути от корня, вместо суммы по всему словарю. | hierarchical softmax | ступень 4 |
| индукционная голова Пара голов, которая находит в контексте прошлое появление текущего токена и копирует токен, шедший после него ([A][B] … [A] → [B]). Механизм in-context learning (Olsson и др., 2022). | induction head | ступень 4 |
| инкрементальное декодирование Генерация, при которой на каждом шаге модель обрабатывает только новый токен, а ключи и значения прошлых берёт из KV-кэша. | incremental decoding | ступень 4 |
| квадратичная сложность внимания Каждый из n токенов сравнивается с каждым — n² оценок на голову. При длинном контексте это главная стоимость внимания; отсюда FlashAttention, разреженное и линейное внимание. | quadratic complexity (O(n²)) | ступень 4 |
| конвейерный параллелизм | pipeline parallelism | ступень 4 |
| корпус текстов | corpus | ступень 4 |
| линейное внимание | linear attention | ступень 4 |
| лучевой поиск (beam search) Держит B лучших частичных последовательностей вместо одной. Хорош для перевода, плох для свободной генерации. | beam search | ступень 4 |
| марковское допущение Следующий токен зависит только от n−1 предыдущих. На нём построены n-граммные модели. | Markov assumption | ступень 4 |
| маршрутизатор (роутер), гейт | router / gating network | ступень 4 |
| маскированное языковое моделирование (MLM) Цель обучения BERT — закрыть около 15% токенов и угадать их по контексту с обеих сторон. Сигнал дают только замаскированные позиции. | masked language modeling (MLM) | ступень 4 |
| масштабированное скалярное внимание (SDPA) softmax(Q Kᵀ / √d_k) V — формула внимания трансформера (Vaswani и др., 2017). В PyTorch — F.scaled_dot_product_attention. | scaled dot-product attention (SDPA) | ступень 4 |
| матрица поворота R(α) = [[cos α, −sin α], [sin α, cos α]] поворачивает вектор на плоскости на угол α, не меняя длины. Главное свойство для RoPE: R(a)ᵀR(b) = R(b − a). | rotation matrix | ступень 4 |
| многоголовое латентное внимание (MLA) Предложено DeepSeek в DeepSeek-V2 (2024). | multi-head latent attention (MLA) | ступень 4 |
| многозначность (полисемия) Одно слово с несколькими значениями («ключ», «коса», «лук»). Статический эмбеддинг даёт им один вектор на все значения. | polysemy | ступень 4 |
| негативное сэмплирование Вместо softmax по всему словарю модель учится отличать настоящую пару (слово, контекст) от k случайных «шумовых» пар. | negative sampling | ступень 4 |
| негативы из батча В контрастивном обучении негативами для пары служат чужие примеры того же батча: батч из B пар даёт каждой паре B − 1 негатив бесплатно. | in-batch negatives | ступень 4 |
| нейросетевая языковая модель Языковая модель, в которой вероятности следующего токена считает нейросеть по эмбеддингам контекста, а не таблица счётчиков. Первая известная схема с эмбеддингами и MLP — Бенджио и соавторы, 2003. | neural language model (NNLM) | ступень 4 |
| нехватка видеопамяти (CUDA OOM) Ошибка torch.cuda.OutOfMemoryError: веса, активации, градиенты и состояния оптимизатора не помещаются в память карты. Лечат меньшим батчем с накоплением градиентов, bf16, gradient checkpointing, LoRA, квантованием. Китайский сленг — «бао сяньцунь» («взорвать видеопамять»). | CUDA out of memory (OOM) | ступень 4 |
| нормировка по длине (в beam search) Деление суммарной log-вероятности гипотезы на L^α, где L — её длина. Без этого beam search предпочитает короткие ответы: каждый новый токен умножает вероятность на число меньше единицы. | length normalization | ступень 4 |
| обрезанный BPTT Длинный текст режут на окна по T шагов: состояние RNN переносят из окна в окно, а граф отрезают (detach), поэтому градиент течёт назад не дальше T шагов. | truncated backpropagation through time (truncated BPTT) | ступень 4 |
| обучаемые позиционные эмбеддинги Таблица векторов по одному на позицию, обучается вместе с моделью (BERT — 512 позиций, GPT-2 — 1024). За пределами таблицы позиций просто нет. | learned (absolute) position embeddings | ступень 4 |
| общий эксперт Ключевая идея DeepSeekMoE. | shared expert | ступень 4 |
| остаточный поток Вектор шириной d, который течёт сквозь все блоки. Каждый подслой читает из него и дописывает поправку, так что выход = вход + сумма всех поправок. | residual stream | ступень 4 |
| относительное позиционное кодирование Оценка внимания зависит от расстояния между токенами, а не от их номеров (Shaw и др. 2018, смещения T5, ALiBi, RoPE). | relative positional encoding | ступень 4 |
| отрицательное лог-правдоподобие (NLL) −log P(данные | модель), обычно усреднённое по токенам. Для языковой модели совпадает с cross-entropy. | negative log-likelihood (NLL) | ступень 4 |
| оценки внимания (attention scores) Сходство запроса с каждым ключом до softmax, в трансформере — q·k / √d_k. Могут быть любыми числами; именно их маскируют значением −∞. | attention scores (logits) | ступень 4 |
| параллелизм по данным | data parallelism | ступень 4 |
| перекрёстное внимание (cross-attention) Запросы из одной последовательности, ключи и значения — из другой (декодер смотрит на выход энкодера). Ср. self-attention, где все три из одной последовательности. | cross-attention | ступень 4 |
| подслово Кусок слова, который токенизатор считает отдельным токеном, например «ток» + «ени» + «зация». Компромисс между символами и целыми словами. | subword | ступень 4 |
| поиск learning rate по графику (lr finder) Короткий прогон, в котором learning rate растёт экспоненциально от шага к шагу. По графику «loss от lr» берут значение в несколько раз меньше того, где loss начинает расти. | learning rate finder (LR range test) | ступень 4 |
| посимвольная токенизация Каждый символ — отдельный токен. Словарь крошечный (десятки–сотни), зато последовательности длинные. Удобна для учебных моделей; в LLM вместо неё byte-level BPE. | character-level tokenization | ступень 4 |
| правило слияния Запись «пара (a, b) → новый токен» в обученном BPE. Порядок правил важен — при кодировании их применяют в порядке обучения. | merge rule | ступень 4 |
| предобучение, претрейн | pretraining | ступень 4 |
| предразбиение (претокенизация) Предварительная нарезка текста регулярным выражением на слова, числа и пунктуацию; BPE-слияния действуют только внутри кусков. | pre-tokenization | ступень 4 |
| предсказание нескольких токенов (MTP) | multi-token prediction (MTP) | ступень 4 |
| предсказание следующего предложения (NSP) Вторая цель предобучения BERT — угадать, идёт ли фрагмент B в тексте сразу после A. RoBERTa (2019) показала, что она не нужна, и от неё отказались. | next sentence prediction (NSP) | ступень 4 |
| префиксная языковая модель (Prefix LM) Внутри префикса (например, запроса) внимание двунаправленное, дальше — причинное. UniLM, GLM, ChatGLM-6B; начиная с ChatGLM2 Zhipu перешла на причинную маску. | prefix language model (Prefix LM) | ступень 4 |
| причинная (каузальная) маска Запрещает токену смотреть на будущие позиции — оценки выше диагонали заменяются на −∞ до softmax. Нужна, чтобы GPT-подобная модель училась предсказывать следующий токен на всех позициях сразу. | causal mask | ступень 4 |
| прореживание частых слов Перед обучением каждое вхождение слова w выбрасывают с вероятностью 1 − √(t / f(w)), где f(w) — доля слова в корпусе. «и», «в», «на» теряют большую часть вхождений, редкие слова не трогаются. | subsampling of frequent words | ступень 4 |
| разреженное внимание | sparse attention | ступень 4 |
| разреженность данных Большинство возможных n-грамм ни разу не встречается в корпусе, и подсчёт даёт им вероятность 0. | data sparsity | ступень 4 |
| распознавание именованных сущностей (NER) Разметка каждого токена тегом: имя, организация, место или «не сущность». Схема BIO: B-PER — начало имени, I-PER — продолжение, O — вне сущности. | named entity recognition (NER) | ступень 4 |
| распределённое обучение | distributed training | ступень 4 |
| сглаживание Лапласа (add-one) Добавить константу ко всем счётчикам, чтобы невиданные n-граммы не получали нулевую вероятность. Классический вариант — +1 (add-one), с произвольным α > 0 — сглаживание Лидстоуна (add-α); силу α подбирают на валидации. | Laplace (add-one) smoothing | ступень 4 |
| сегментация слов (в китайском тексте) В китайском письме нет пробелов, поэтому границы слов приходится находить алгоритмом. Поэтому по-китайски токенизатор часто так и называют — «сегментатор слов». | word segmentation | ступень 4 |
| синусоидальное позиционное кодирование Из статьи 2017 года: PE(pos, 2i) = sin(pos·θ_i), PE(pos, 2i+1) = cos(pos·θ_i), θ_i = 10000^(−2i/d). Прибавляется к эмбеддингам один раз на входе. | sinusoidal positional encoding | ступень 4 |
| словарь (токенизатора) Множество всех токенов с их номерами (id). Размер словаря V задаёт размер матрицы эмбеддингов и выходного слоя (V × d). | vocabulary (vocab) | ступень 4 |
| слово вне словаря (OOV) Слово, которого нет в словаре; словарный токенизатор заменяет его на <unk>. Byte-level BPE этой проблемы не имеет. | out-of-vocabulary word (OOV) | ступень 4 |
| слой эмбеддингов (таблица эмбеддингов) Матрица V × d; по номеру токена возвращает его строку. Эквивалентно one-hot × матрица. В PyTorch — nn.Embedding. | embedding layer | ступень 4 |
| смесь экспертов (MoE) | mixture of experts (MoE) | ступень 4 |
| смешанная точность | mixed precision | ступень 4 |
| специальный токен (спецтокен) Управляющий токен, а не кусок текста — начало/конец текста (BOS/EOS), заполнитель для батча (PAD), разметка ролей в чате (например, <|im_start|> у Qwen). | special token | ступень 4 |
| степень сжатия токенизатора Сколько символов (или байтов) текста приходится в среднем на один токен. Чем выше — тем «дешевле» язык для модели. | compression ratio (characters per token) | ступень 4 |
| стратегия декодирования Правило, по которому из распределения следующего токена выбирается сам токен (greedy, beam search, сэмплирование с температурой, top-k, top-p). | decoding strategy | ступень 4 |
| ступенчатое расписание learning rate После разогрева lr держится постоянным и падает скачками в заданные моменты. В DeepSeek LLM (2024) — до 31.6% после 80% токенов и до 10% после 90%. | multi-step learning rate schedule | ступень 4 |
| сэмплирование (выборка) Случайный выбор токена пропорционально вероятностям модели. | sampling | ступень 4 |
| температура (сэмплирования) Логиты делятся на T перед softmax. T < 1 — распределение острее, T > 1 — площе, T → 0 — greedy. | temperature | ступень 4 |
| тензорный параллелизм | tensor parallelism | ступень 4 |
| токен [CLS] Спецтокен в начале входа BERT. Через внимание собирает информацию со всего текста; его итоговый вектор используют для классификации и как эмбеддинг текста (BGE). Фрагменты разделяет и закрывает токен [SEP]. | [CLS] token | ступень 4 |
| точечная взаимная информация (PMI) PMI(w, c) = log P(w, c) / (P(w) P(c)) — во сколько раз чаще слова встречаются вместе, чем если бы были независимы. Skip-gram с негативным сэмплированием неявно приближает PMI − log k. | pointwise mutual information (PMI) | ступень 4 |
| трансформер Архитектура из статьи «Attention Is All You Need» (2017) — стопка одинаковых блоков из внимания и FFN без рекуррентности. В китайских текстах название обычно не переводят. | Transformer | ступень 4 |
| трудные негативы Негативы, похожие на правильный ответ (фрагмент на ту же тему, но не отвечающий на вопрос). Учат тонким различиям; ими дообучают эмбеддинг-модели для поиска. | hard negatives | ступень 4 |
| усреднение векторов (mean pooling) Вектор текста как среднее векторов его токенов. Дёшево, но теряет порядок слов: «собака укусила почтальона» и «почтальон укусил собаку» из одних и тех же слов дают один вектор. | mean pooling | ступень 4 |
| цепное правило вероятности P(x₁, …, x_T) = ∏ P(x_t | x₁, …, x_{t−1}). Точное тождество, а не приближение. | chain rule of probability | ступень 4 |
| штраф за повторение Понижение логитов токенов, которые уже встречались в тексте (CTRL, presence/frequency penalty в API). | repetition penalty | ступень 4 |
| шумо-контрастная оценка (NCE) Обучение модели отличать настоящие данные от выборки из известного шумового распределения (Gutmann, Hyvärinen, 2010). Негативное сэмплирование word2vec — её упрощение. | noise-contrastive estimation (NCE) | ступень 4 |
| шумовое распределение Распределение, из которого берут негативы. В word2vec — частоты слов в степени 3/4: частые слова берутся реже, чем пропорционально частоте, редкие — чаще. | noise distribution | ступень 4 |
| эквивариантность к перестановкам Переставили входные токены — выходы переставились так же: Attn(PX) = P·Attn(X). Без позиций внимание видит текст как мешок токенов («собака кусает человека» = «человек кусает собаку»). | permutation equivariance | ступень 4 |
| эмбеддинг предложения Один вектор на целое предложение или абзац, такой что близкие по смыслу тексты дают близкие векторы. Простейший вариант — среднее векторов слов; современный — трансформер, обученный контрастивно. | sentence embedding | ступень 4 |
| эмерджентные способности | emergent abilities | ступень 4 |
| энкодер–декодер Двунаправленный энкодер читает вход, причинный декодер генерирует выход и смотрит на энкодер через cross-attention (исходный Transformer, T5, Whisper). | encoder-decoder architecture | ступень 4 |
| эффективный размер батча Сколько примеров (или токенов) приходится на один шаг оптимизатора: микробатч × шаги накопления градиентов × число GPU. | effective batch size | ступень 4 |
| ядерная регрессия Надарая–Ватсона Статистический метод 1964 года — предсказание как взвешенное среднее известных ответов с весами по близости. Необучаемый прообраз внимания; с гауссовым ядром веса — это softmax. | Nadaraya–Watson kernel regression | ступень 4 |
| языковая модель Распределение вероятностей над последовательностями токенов. На практике — функция «контекст → вероятности следующего токена». | language model (LM) | ступень 4 |
| accelerate (библиотека Hugging Face) Библиотека, которая раскладывает модель и вычисления по устройствам: device_map="auto", смешанная точность, запуск на нескольких GPU (accelerate launch), интеграция с DeepSpeed и FSDP. Используется внутри Trainer и TRL. | Hugging Face Accelerate | ступень 4 |
| ALiBi (линейные смещения внимания) К оценке внимания прибавляется штраф, линейно растущий с расстоянием, свой наклон у каждой головы (Press и др., 2021). Использовался в BLOOM и MPT; позже уступил RoPE. | Attention with Linear Biases (ALiBi) | ступень 4 |
| Auto-классы transformers Классы библиотеки transformers, которые читают config.json модели и сами создают нужную архитектуру: AutoTokenizer, AutoModel, AutoModelForSequenceClassification, AutoModelForCausalLM и др. | Auto classes (AutoTokenizer, AutoModel) | ступень 4 |
| BERT Энкодерный трансформер Google (2018) с двунаправленной маской, предобученный на MLM. Основа классификаторов, NER, эмбеддеров и реранкеров (BGE, multilingual-e5 — его потомки). | BERT (Bidirectional Encoder Representations from Transformers) | ступень 4 |
| BLEU Метрика машинного перевода (Papineni и соавт., 2002): среднее геометрическое обрезанных точностей n-грамм (n = 1…4), умноженное на штраф за краткость. От 0 до 1, в статьях — от 0 до 100. | BLEU (bilingual evaluation understudy) | ступень 4 |
| BPE, кодирование пар байтов Алгоритм токенизации — многократно сливает самую частую пару соседних токенов в новый токен. Изначально (Gage, 1994) — алгоритм сжатия данных. | Byte Pair Encoding (BPE) | ступень 4 |
| CBOW (непрерывный мешок слов) Вариант word2vec — по словам контекста предсказывается центральное слово. | continuous bag of words (CBOW) | ступень 4 |
| chat-шаблон Правило (обычно Jinja в tokenizer_config.json), которое превращает список сообщений с ролями в одну строку со спецтокенами. | chat template | ступень 4 |
| CUDA_VISIBLE_DEVICES Переменная окружения, которая ограничивает, какие видеокарты видит процесс. Внутри процесса видимые карты нумеруются заново с нуля: при CUDA_VISIBLE_DEVICES=2,3 это cuda:0 и cuda:1. | CUDA_VISIBLE_DEVICES | ступень 4 |
| decoder-only (только декодер) Одна стопка блоков с причинной маской, цель — следующий токен. Архитектура GPT, Llama, Qwen, DeepSeek, Kimi, GLM-4.5. | decoder-only architecture | ступень 4 |
| encoder-only (только энкодер) Двунаправленное внимание, обучение через маскированное языковое моделирование (BERT, RoBERTa). Сегодня — модели эмбеддингов, реранкеры, классификаторы. | encoder-only architecture | ступень 4 |
| GLU (вентильный линейный блок) Две параллельные проекции, одна из которых через нелинейность работает «вентилем» для другой: f(xW)·(xV). Варианты: ReGLU, GEGLU, SwiGLU. | gated linear unit (GLU) | ступень 4 |
| llama.cpp Движок инференса на C/C++ с минимумом зависимостей: работает на CPU, GPU и их смеси, использует квантованные веса в формате GGUF; сервер llama-server с OpenAI-совместимым API (порт 8080). | llama.cpp | ступень 4 |
| LM-голова (языковая голова) Последний линейный слой GPT: превращает вектор ширины d в V логитов, по одному на токен словаря. Часто делит матрицу с эмбеддингами (weight tying). | LM head (language modeling head) | ступень 4 |
| n-грамма Последовательность из n подряд идущих токенов. В d2l-zh — буквально «одноэлементная», «двухэлементная» и «трёхэлементная грамматика» (unigram, bigram, trigram). | n-gram | ступень 4 |
| Ollama Программа для запуска LLM одной командой (ollama run qwen3:8b): своя библиотека моделей в формате GGUF, работа на CPU и GPU, OpenAI-совместимый API на порту 11434. | Ollama | ступень 4 |
| one-hot кодирование (унитарный код) Вектор длины V из нулей с единицей в позиции номера токена. Все one-hot векторы попарно ортогональны. | one-hot encoding | ступень 4 |
| Post-Norm (нормализация после сложения) Norm(x + F(x)), как в исходном трансформере 2017 года и BERT. Без разогрева learning rate нестабилен на глубине. | post-normalization (Post-LN) | ступень 4 |
| Pre-Norm (нормализация на входе подслоя) x + F(Norm(x)): нормализуется только вход ветки, остаточный путь чистый. Стандарт с GPT-2 (2019); требует финальной нормализации перед LM-головой. | pre-normalization (Pre-LN) | ступень 4 |
| RMSNorm (нормализация по среднеквадратичному) x / sqrt(mean(x²) + ε) · g — LayerNorm без вычитания среднего и без сдвига β (Zhang, Sennrich, 2019). Стандарт Llama, Qwen, DeepSeek, MiniMind. | root mean square layer normalization (RMSNorm) | ступень 4 |
| scatter-add (сложение по индексам) Операция «разложить значения по строкам массива, складывая совпадающие индексы». Так собирается градиент таблицы эмбеддингов. В NumPy — np.add.at, в PyTorch — index_add_; запись dC[X] += dE в NumPy теряет повторы. | scatter-add | ступень 4 |
| seq2seq (последовательность в последовательность) Схема «энкодер читает вход, декодер генерирует выход» (Sutskever и др.; Cho и др., 2014). Без внимания всё входное предложение сжимается в один вектор контекста. | sequence-to-sequence (seq2seq) | ступень 4 |
| SGLang Движок инференса от LMSYS: RadixAttention (переиспользование общего префикса запросов), быстрый структурированный вывод, ранняя поддержка новых DeepSeek и Qwen; OpenAI-совместимый сервер на порту 30000. | SGLang | ступень 4 |
| skip-gram Вариант word2vec — по центральному слову предсказываются слова контекста. В старых китайских текстах — «модель пропуска слов». | skip-gram | ступень 4 |
| SwiGLU FFN современных LLM: down(SiLU(gate(x)) · up(x)), три матрицы без смещений; скрытый размер обычно ≈ 8d/3 и больше (Shazeer, 2020). | SwiGLU (Swish-gated linear unit) | ступень 4 |
| teacher forcing (обучение на верном префиксе) При обучении модель на каждом шаге видит настоящий текст, а не свои предсказания. Поэтому все позиции можно обучать параллельно. | teacher forcing | ступень 4 |
| tmux (терминальный мультиплексор) Программа, которая держит терминальные сессии на сервере: обучение продолжается, если закрыть окно или оборвётся SSH. tmux new -s имя, отцепиться — Ctrl+b затем d, вернуться — tmux attach -t имя. | tmux (terminal multiplexer) | ступень 4 |
| top-k сэмплирование Сэмплирование только из k самых вероятных токенов (остальные получают вероятность 0). | top-k sampling | ступень 4 |
| top-p (ядерное) сэмплирование Сэмплирование из минимального набора самых вероятных токенов с суммарной вероятностью ≥ p. Holtzman et al., 2019. | top-p (nucleus) sampling | ступень 4 |
| vLLM Открытый движок инференса LLM (UC Berkeley): PagedAttention, continuous batching, тензорный параллелизм, OpenAI-совместимый сервер (vllm serve, порт 8000). Стандарт для сервисов и генерации в RL. | vLLM | ступень 4 |
| WordPiece Подсловный токенизатор BERT, родственник BPE. Продолжение слова помечается «##»: playing → play ##ing. Словарь BERT — около 30 тысяч подслов. | WordPiece | ступень 4 |
| zero-shot (без примеров) Решение задачи без обучающих примеров и без дообучения — только по описанию задачи в промпте. С несколькими примерами в промпте — few-shot. | zero-shot | ступень 4 |
| «момент озарения» Эффект из статьи DeepSeek-R1: модель при RL-обучении сама начинает перепроверять свои рассуждения. | aha moment | ступень 5 |
| «сток» внимания (attention sink) Первые токены получают аномально большой вес внимания независимо от смысла — туда softmax «сливает» лишнюю массу. Не путайте со сходным китайским термином из d2l-zh («схождение внимания»): там так переведено attention pooling (взвешенное усреднение значений). | attention sink | ступень 5 |
| активные параметры Сколько параметров MoE-модели реально участвует в обработке одного токена. «A22B» в названии Qwen3-235B-A22B — 22 млрд активных из 235 млрд. | activated (active) parameters | ступень 5 |
| база RoPE Число b в частотах RoPE θ_i = b^(−2i/d). Классическое значение 10 000; в длинноконтекстных моделях его увеличивают (Llama 3 — 500 000, Qwen2.5 — 1 000 000). | RoPE base (rope_theta) | ступень 5 |
| балансировка без вспомогательного лосса Метод DeepSeek (arXiv:2408.15664, использован в V3) — к оценкам роутера прибавляется смещение b_i, влияющее только на выбор экспертов; после каждого шага b_i сдвигается на ±γ по загрузке. | auxiliary-loss-free load balancing | ступень 5 |
| бит на байт (BPB) Loss, пересчитанный на байт исходного текста; в отличие от perplexity, его можно сравнивать между моделями с разными токенизаторами. | bits per byte (BPB) | ступень 5 |
| блок потоков До 1024 потоков, которые выполняются на одном SM и делят его shared memory. Ядро запускается сеткой (grid) из многих блоков. | thread block (CTA) | ступень 5 |
| блочно-разреженное внимание Запрос выбирает не отдельные токены, а целые блоки ключей (например, по 64). Так удобнее GPU — память читается непрерывными кусками. | block-sparse attention | ступень 5 |
| варп Группа из 32 потоков GPU NVIDIA, которые выполняют одну и ту же инструкцию одновременно, каждый над своими данными. Если потоки варпа расходятся по разным веткам if, ветки выполняются по очереди. | warp | ступень 5 |
| внимание с выходным гейтом (gated attention) После softmax-внимания выход каждой головы поэлементно умножается на сигмоидный гейт σ(xW). Убирает attention sink; работа Qwen — лучшая статья NeurIPS 2025. | gated attention | ступень 5 |
| внимание с группами запросов (GQA) Головы запросов делятся на G групп, у каждой группы своя пара K/V. G = H — это MHA, G = 1 — MQA. Стандарт Llama 3 и Qwen (Ainslie и др., 2023). | grouped-query attention (GQA) | ступень 5 |
| внимание со скользящим окном (SWA) Токен видит только w последних токенов. Стоимость O(n·w) вместо O(n²), KV-кэш не больше w позиций на слой. | sliding window attention (SWA) | ступень 5 |
| вспомогательный лосс балансировки (aux loss) Добавка к основному лоссу, штрафующая неравномерную загрузку экспертов. Классическая форма из Switch Transformer — α·N·Σ f_i·P_i. | auxiliary load-balancing loss | ступень 5 |
| выравнивание (alignment) | alignment | ступень 5 |
| вычислительно-оптимальное обучение Такое деление бюджета между размером модели и числом токенов, при котором loss минимален; по Chinchilla — около 20 токенов на параметр. | compute-optimal training | ступень 5 |
| гибридное внимание Архитектура, где большинство слоёв — дешёвые (линейные или со скользящим окном), а каждый k-й слой — полное внимание. | hybrid attention | ступень 5 |
| дедупликация | deduplication | ступень 5 |
| дельта-правило Обновление памяти S ← S + β(v − S k)kᵀ — сначала читаем, что уже записано по ключу k, и записываем только поправку. Старое значение по тому же ключу стирается. | delta rule | ступень 5 |
| дистилляция | (knowledge) distillation | ступень 5 |
| доля принятых черновых токенов (acceptance rate) В спекулятивном декодировании — какая доля токенов-черновиков совпала с выбором основной модели. У MTP-модуля DeepSeek-V3 — 85–90%. | acceptance rate | ступень 5 |
| дообучение, тонкая настройка, файнтюнинг | fine-tuning | ступень 5 |
| инструктивное дообучение | instruction tuning | ступень 5 |
| интерполяция позиций (PI) Позиции делятся на коэффициент растяжения s, и все углы RoPE остаются в обученном диапазоне. В китайских текстах — дословный перевод того же термина. | position interpolation (PI) | ступень 5 |
| итерации Ньютона–Шульца Многочлен от матрицы X ← aX + b(XXᵀ)X + c(XXᵀ)²X, который подтягивает все сингулярные числа к 1. Заменяет дорогое SVD одними матричными умножениями. | Newton–Schulz iteration | ступень 5 |
| классификатор качества Модель (часто fastText или маленький трансформер), которая оценивает «полезность» документа для обучения LLM. | quality classifier | ступень 5 |
| коллапс маршрутизации Роутер отправляет почти все токены к нескольким экспертам, остальные не обучаются. Механизм «богатые богатеют» — выбранный эксперт учится лучше и выбирается ещё чаще. | routing collapse | ступень 5 |
| коллапс модели Деградация моделей, которые поколение за поколением учатся на текстах, сгенерированных предыдущими моделями. | model collapse | ступень 5 |
| коэффициент ёмкости Сколько токенов может принять эксперт относительно идеально ровной раскладки. Лишние токены отбрасываются (token dropping) и проходят только по residual-связи. | capacity factor | ступень 5 |
| локально-чувствительное хеширование (LSH) | locality-sensitive hashing (LSH) | ступень 5 |
| мастер-веса Копия весов в FP32, к которой применяется шаг оптимизатора. Для вычислений с неё делают копию в BF16/FP8. Без мастер-весов маленькие обновления «поглощаются» при округлении. | master weights | ступень 5 |
| масштабирование loss (loss scaling) Loss умножают на большое число S перед обратным проходом, чтобы маленькие градиенты не обнулились в FP16, а перед шагом оптимизатора делят на S в FP32. Для BF16 не нужно. | loss scaling | ступень 5 |
| мелкозернистое (поблочное) квантование Свой масштаб у каждой маленькой группы чисел, а не у всего тензора. В DeepSeek-V3: тайлы 1×128 для активаций и блоки 128×128 для весов. Выброс портит только свою группу. | fine-grained quantization | ступень 5 |
| мелкозернистые эксперты Идея DeepSeekMoE — разрезать каждого эксперта на m маленьких и активировать в m раз больше. Параметры и FLOPs те же, а комбинаций экспертов на порядки больше. | fine-grained experts | ступень 5 |
| микробатч Часть батча, которая проходит по конвейеру как единое целое. Чем больше микробатчей, тем меньше доля простоя конвейера. | micro-batch | ступень 5 |
| многозапросное внимание (MQA) Все головы запросов делят одну голову ключей и одну голову значений. KV-кэш меньше в H раз, но качество заметно падает (Shazeer, 2019). | multi-query attention (MQA) | ступень 5 |
| модель вознаграждения | reward model | ступень 5 |
| модель пространства состояний (SSM) Семейство рекуррентных моделей с линейным обновлением состояния (S4, Mamba). Близкий родственник линейного внимания. | state space model (SSM) | ступень 5 |
| молниеносный индексатор (lightning indexer) Маленький модуль внимания в DSA (несколько голов, FP8, ReLU вместо softmax), который оценивает все прошлые токены, чтобы выбрать top-k. | lightning indexer | ступень 5 |
| неустранимый loss Часть loss, которую нельзя убрать никаким масштабом, — непредсказуемость самого текста (слагаемое E в формуле Chinchilla). | irreducible loss | ступень 5 |
| низкоранговое сжатие Замена большой матрицы произведением двух узких (через «бутылочное горлышко» малой размерности). В MLA так сжимают ключи и значения в латентный вектор c_KV. | low-rank compression | ступень 5 |
| обучение с подкреплением | reinforcement learning (RL) | ступень 5 |
| обучение с подкреплением на основе отзывов людей (RLHF) | reinforcement learning from human feedback (RLHF) | ступень 5 |
| обучение с учётом квантования (QAT) В прямом проходе модель видит уже округлённые (например, 4-битные) веса и учится быть к этому устойчивой. Так получены INT4-веса Kimi K2 Thinking. | quantization-aware training (QAT) | ступень 5 |
| обучение с учителем на инструкциях (SFT) | supervised fine-tuning (SFT) | ступень 5 |
| определение языка | language identification (LID) | ступень 5 |
| ортогонализация матрицы Замена матрицы G = UΣVᵀ на UVᵀ — все сингулярные числа становятся равными 1, а «направления» матрицы сохраняются. | matrix orthogonalization | ступень 5 |
| отечественный (китайский) чип Связано с курсом на импортозамещение («гочань тидай», буквально «замена отечественным»); главный пример — ускорители Huawei Ascend. | domestic chip | ступень 5 |
| отжиг (финальная фаза обучения) Конец предобучения, когда learning rate снижают и подмешивают больше самых качественных данных. | annealing | ступень 5 |
| отображение признаков (feature map) Функция φ, которая переводит запрос или ключ в неотрицательные признаки, например φ(x) = elu(x) + 1. | feature map | ступень 5 |
| параллелизм экспертов Разные эксперты MoE-слоя живут на разных GPU; токены пересылаются к своим экспертам и обратно через all-to-all-обмен. | expert parallelism (EP) | ступень 5 |
| перевычисление активаций (activation checkpointing) Не хранить часть активаций прямого прохода, а пересчитать их при обратном. Экономит память ценой дополнительных вычислений. | activation checkpointing (recomputation) | ступень 5 |
| перекармливание данными, обучение сверх оптимума Не путать с переобучением (overfitting). Модель обучают на гораздо большем числе токенов, чем советует Chinchilla, чтобы она была меньше и дешевле на инференсе. | overtraining | ступень 5 |
| перекрытие вычислений и коммуникаций Пока GPU считает один кусок работы, по сети пересылаются данные другого. Если пересылка короче вычислений, она становится «бесплатной». | computation-communication overlap | ступень 5 |
| персональные данные (PII) | personally identifiable information (PII) | ступень 5 |
| поглощение матриц Перестановка скобок в произведении матриц на инференсе MLA — W_UK переносится в запрос, W_UV в выходную проекцию, и внимание считается прямо по латентному кэшу без восстановления K и V. | matrix absorption (weight absorption) | ступень 5 |
| политика (стратегия агента) | policy | ступень 5 |
| пост-трейнинг, дообучение после претрейна | post-training | ступень 5 |
| потоковый мультипроцессор (SM) Основной «цех» GPU NVIDIA: свои CUDA-ядра, тензорные ядра, регистры и shared memory. У RTX 4080 их 76, у H100 и H800 — 132. Блок потоков целиком выполняется на одном SM. | streaming multiprocessor (SM) | ступень 5 |
| почти-дубликат | near-duplicate | ступень 5 |
| проверяемое вознаграждение | verifiable reward (RLVR) | ступень 5 |
| пропускная способность межсоединения Скорость обмена данными между GPU — NVLink внутри узла, InfiniBand между узлами. У H800 урезана по сравнению с H100. | interconnect bandwidth | ступень 5 |
| профайлер Инструмент, который записывает, сколько времени заняла каждая операция и каждое ядро. Для PyTorch — torch.profiler (таблица и трасса для Perfetto), для всей программы — NVIDIA Nsight Systems (nsys). | profiler | ступень 5 |
| пузырь конвейера Время, когда стадии конвейера простаивают в ожидании данных. У GPipe и 1F1B доля пузыря — (p − 1) / (m + p − 1) при p стадиях и m микробатчах. | pipeline bubble | ступень 5 |
| развязанный RoPE Приём MLA — позиционная информация идёт через отдельную небольшую часть запроса и ключа (64 измерения в DeepSeek-V2/V3), а сжатая «контентная» часть остаётся без RoPE, чтобы работало поглощение матриц. | decoupled RoPE | ступень 5 |
| разреженная активация На каждый токен работает лишь малая часть параметров модели. У DeepSeek-V3 — около 5.5% (37B активных из 671B). | sparse activation | ступень 5 |
| ранг процесса Номер процесса в распределённом запуске, от 0 до world_size − 1. LOCAL_RANK — номер на своей машине, по нему выбирают GPU. Ранг 0 обычно печатает логи и сохраняет чекпоинты. | rank | ступень 5 |
| распределённый чекпоинт (DCP) Сохранение состояния модели и оптимизатора, при котором каждый ранг пишет свой шард параллельно. Позволяет загрузить чекпоинт и на другом числе GPU. Нужен для FSDP, где ни у одного ранга нет полной модели. | distributed checkpoint (torch.distributed.checkpoint) | ступень 5 |
| рассуждение ⚠️ В китайском одно слово («туйли») означает и «рассуждение» (reasoning), и «инференс» (inference). Смысл определяется по контексту. «Модель туйли» — reasoning-модель, «ускорение туйли» — ускорение инференса. | reasoning | ступень 5 |
| синтетические данные | synthetic data | ступень 5 |
| слияние операций (kernel fusion) Выполнение нескольких операций одним ядром: промежуточные результаты остаются в регистрах или SRAM, в видеопамять пишется только итог. Главный способ ускорить memory-bound операции. Автоматически это делает torch.compile. | kernel fusion | ступень 5 |
| смесь данных Доли источников (веб, код, математика, книги, языки) в обучающем потоке токенов. | data mixture | ступень 5 |
| стена данных Предел роста за счёт новых человеческих текстов — качественных данных в интернете конечное количество. | data wall | ступень 5 |
| степенной закон Зависимость вида y = a·x^(−α); в логарифмических осях — прямая. | power law | ступень 5 |
| сходство Жаккара |A ∩ B| / |A ∪ B| — доля общих элементов двух множеств. | Jaccard similarity | ступень 5 |
| тайлинг (разбиение на блоки) Приём быстрых ядер: данные режутся на тайлы, которые помещаются в быструю память, и каждый тайл используется многократно. Тайловый матмул с тайлом t читает из медленной памяти в t раз меньше, чем наивный. | tiling | ступень 5 |
| тензорное ядро Блок GPU, который за одну инструкцию умножает маленькие матрицы и прибавляет результат: D = AB + C. Работает в форматах TF32, BF16, FP16, FP8, INT8. У RTX 4080 их 304 (по 4 на SM), пик в BF16 — 97.5 TFLOPS против 48.7 у FP32 на CUDA-ядрах. | Tensor Core | ступень 5 |
| тест «иголка в стоге сена» В длинный посторонний текст вставляют факт («иголку») и спрашивают о нём. Проверяет поиск по контексту, но не рассуждение. | needle in a haystack (NIAH) | ступень 5 |
| упаковка последовательностей Документы склеивают в один поток токенов через разделитель и режут на окна фиксированной длины — без паддинга. | sequence packing | ступень 5 |
| утилизация FLOPs модели (MFU) Доля пиковой производительности железа, которая уходит на полезные вычисления модели. Для больших распределённых обучений типичны 30–50 %. | model FLOPs utilization (MFU) | ступень 5 |
| фильтрация по качеству | quality filtering | ступень 5 |
| цепочка рассуждений | chain of thought (CoT) | ступень 5 |
| чанковая (блочно-параллельная) форма Последовательность режут на блоки — внутри блока внимание считается матрицами (как при обучении), между блоками передаётся рекуррентное состояние. Так устроены Lightning Attention и ядра fla. | chunkwise parallel form | ступень 5 |
| эксперт (в MoE) Один из параллельных FFN-блоков MoE-слоя. Каждый токен обрабатывают лишь несколько экспертов, выбранных роутером. | expert | ступень 5 |
| экспортный контроль Ограничения США на поставку в Китай передовых GPU и оборудования для их производства (с октября 2022 г.). | export controls | ступень 5 |
| экстраполяция по длине Способность модели работать на последовательностях длиннее тех, на которых её обучали. В китайском сообществе так называют всю тему расширения контекста. | length extrapolation | ступень 5 |
| эффективность масштабирования Скорость на N GPU, делённая на N скоростей одной GPU. 100% — идеальное ускорение в N раз; потери дают коммуникации, не спрятанные за вычислениями, и неравномерная загрузка. | scaling efficiency | ступень 5 |
| ядерный трюк Замена функции сходства sim(q, k) скалярным произведением признаков φ(q)·φ(k). В линейном внимании это позволяет переставить скобки и получить O(n) вместо O(n²). | kernel trick | ступень 5 |
| ядро GPU (kernel) Функция, которая запускается на GPU сразу во множестве потоков. Каждая операция PyTorch на видеокарте — запуск одного или нескольких ядер. Не путать с ядрами процессора и с CUDA-ядрами (арифметическими блоками). | GPU kernel | ступень 5 |
| all-gather Коллективная операция: каждый GPU отдаёт свой кусок тензора и получает склейку кусков всех GPU. FSDP собирает так веса слоя перед вычислением. | all-gather | ступень 5 |
| all-reduce (суммирование со всех на все) Коллективная операция — каждый GPU отдаёт свой тензор и получает сумму (или среднее) тензоров всех GPU. Так DDP усредняет градиенты. | all-reduce | ступень 5 |
| BF16 (bfloat16) 16-битный формат: 1 бит знака, 8 бит порядка (как у FP32), 7 бит мантиссы. Диапазон как у FP32, точность — 2–3 значащие цифры. Стандарт обучения LLM. | bfloat16 (brain floating point) | ступень 5 |
| DeepSeek Sparse Attention (DSA) Разреженное внимание DeepSeek-V3.2 — дешёвый индексатор выбирает 2048 прошлых токенов для каждого запроса, полное MLA считается только по ним. Позже взято в GLM-5. | DeepSeek Sparse Attention (DSA) | ступень 5 |
| DualPipe (двунаправленный конвейер) Расписание конвейера из DeepSeek-V3 — микробатчи подаются с обоих концов, а прямой и обратный проходы разных микробатчей перекрываются так, что коммуникация прячется за вычислениями. | DualPipe | ступень 5 |
| FlashAttention Точный алгоритм внимания (Tri Dao и соавт., 2022), который не хранит матрицу n×n в видеопамяти: Q, K, V обрабатываются блоками в SRAM с online softmax, а в обратном проходе блоки пересчитываются. Память — O(n) вместо O(n²). Версии 2 и 3 улучшают параллелизм и используют возможности Hopper. | FlashAttention | ступень 5 |
| FLOPs, число операций с плавающей точкой Не путайте FLOPs (сколько операций нужно сделать) и FLOP/s, FLOPS (сколько операций железо делает в секунду). | floating-point operations (FLOPs) | ступень 5 |
| FP8 (8-битное число с плавающей точкой) Два варианта: E4M3 (точнее, максимум 448) и E5M2 (грубее, максимум 57 344). Требует масштабирования тензоров. DeepSeek-V3 обучалась в FP8 с поблочными масштабами. | FP8 (8-bit floating point) | ступень 5 |
| FSDP (полностью шардированный параллелизм по данным) Реализация идеи ZeRO-3 в PyTorch. Веса слоя собираются со всех GPU прямо перед его вычислением и сразу освобождаются. | Fully Sharded Data Parallel (FSDP) | ступень 5 |
| Gated DeltaNet (GDN) Дельта-правило плюс зависящее от входа затухание состояния α_t. Основа Qwen3-Next и Qwen3.5 (три слоя GDN на один слой внимания). | Gated DeltaNet | ступень 5 |
| GPU-часы Число ускорителей × часы работы. 2048 GPU за сутки — 49 152 GPU-часа. | GPU hours | ступень 5 |
| HBM, видеопамять Основная память серверных GPU (A100, H100, H800) — микросхемы в одном корпусе с чипом. У GeForce вместо неё GDDR6X с той же ролью: большой объём, но в десятки раз медленнее SRAM. В литературе «HBM» часто означает просто видеопамять. | HBM (high-bandwidth memory) | ступень 5 |
| Kimi Delta Attention (KDA) Вариант Gated DeltaNet от Moonshot с поканальным (а не скалярным) затуханием. Kimi Linear чередует 3 слоя KDA с 1 слоем MLA. | Kimi Delta Attention (KDA) | ступень 5 |
| Lightning Attention Линейное внимание с тайлингом — маскированная матрица внутри блока и состояние KᵀV между блоками. Основа MiniMax-01 (7 линейных слоёв на 1 softmax). | Lightning Attention | ступень 5 |
| LoRA (низкоранговая адаптация) | low-rank adaptation (LoRA) | ступень 5 |
| MinHash Короткая подпись множества; доля совпавших позиций двух подписей — оценка сходства Жаккара. | MinHash | ступень 5 |
| Muon (оптимизатор) Оптимизатор для матриц весов (Келлер Джордан, 2024) — momentum, затем ортогонализация обновления итерациями Ньютона–Шульца. Moonshot масштабировала его до Kimi K2. | Muon optimizer | ступень 5 |
| Native Sparse Attention (NSA) Разреженное внимание DeepSeek (2025) — три ветви (сжатые блоки, отобранные top-n блоки, скользящее окно), смешанные гейтом; обучается с нуля. | Native Sparse Attention (NSA) | ступень 5 |
| NCCL Библиотека NVIDIA для коллективных операций между GPU (all-reduce, all-gather, reduce-scatter): сама выбирает путь — NVLink, PCIe напрямую (P2P), через память CPU или по сети. Бэкенд torch.distributed для видеокарт. | NCCL (NVIDIA Collective Communications Library) | ступень 5 |
| NTK-aware масштабирование RoPE Вместо позиций увеличивают базу RoPE в s^(d/(d−2)) раз — быстрые частоты почти не меняются, медленные интерполируются. | NTK-aware scaled RoPE | ступень 5 |
| online softmax Softmax за один проход по данным с бегущими максимумом m и суммой ℓ: при новом максимуме старая сумма умножается на e^(m_старый − m_новый). Milakov и Gimelshein (NVIDIA, 2018); основа FlashAttention. | online softmax | ступень 5 |
| QK-нормализация (QK-Norm) Нормализация (обычно RMSNorm) запросов и ключей перед скалярным произведением. Ограничивает рост attention-логитов; используется, например, в Qwen3. | QK-Norm | ступень 5 |
| QK-Clip Приём из Kimi K2 — если максимальный attention-логит головы превысил порог τ, веса W_q и W_k этой головы умножают на √(τ / max). Вместе с Muon — оптимизатор MuonClip. | QK-Clip | ступень 5 |
| reduce-scatter Коллективная операция: тензоры всех GPU суммируются, и каждый GPU получает только свой кусок суммы. Вместе с all-gather даёт all-reduce; на этой паре построены ZeRO и FSDP. | reduce-scatter | ступень 5 |
| shared memory (SRAM) Быстрая память внутри SM, общая для потоков одного блока; физически та же SRAM, что и кэш L1. На Ada — до 100 КБ на SM. В статьях о FlashAttention её называют просто SRAM. | shared memory | ступень 5 |
| top-k маршрутизация Роутер оценивает всех экспертов и отправляет токен к k лучшим; их выходы складываются с весами роутера. | top-k routing | ступень 5 |
| torch.compile Компилятор PyTorch 2: TorchDynamo перехватывает граф операций модели, TorchInductor генерирует слитые ядра (на GPU — на Triton). Ускоряет обучение и инференс без изменения кода модели; первый вызов долгий из-за компиляции. | torch.compile | ступень 5 |
| torchrun Утилита PyTorch для запуска распределённого обучения: стартует нужное число процессов и передаёт им RANK, LOCAL_RANK, WORLD_SIZE, MASTER_ADDR и MASTER_PORT через переменные окружения. Пример: torchrun --standalone --nproc_per_node=4 train.py. | torchrun | ступень 5 |
| Triton Язык и компилятор GPU-ядер на Python (OpenAI, открытый под MIT). Программист описывает работу одного блока данных, а распределение по потокам, shared memory и тензорные ядра берёт на себя компилятор. На нём написаны ядра torch.compile, flash-linear-attention, многие ядра vLLM. | Triton (language and compiler) | ступень 5 |
| YaRN NTK-by-parts (каждая пара частот масштабируется по числу оборотов за обучающую длину) плюс температура внимания 0.1·ln s + 1. Используется в DeepSeek-V3 и Qwen. | YaRN (Yet another RoPE extensioN) | ступень 5 |
| ZeRO (оптимизатор без избыточности) Вместо того чтобы хранить на каждом GPU полную копию, состояние оптимизатора (ZeRO-1), градиенты (ZeRO-2) и веса (ZeRO-3) делят между GPU параллелизма по данным. | ZeRO (Zero Redundancy Optimizer) | ступень 5 |
| «передумывание» (overthinking) Модель тратит тысячи токенов там, где хватило бы сотни. Лечат штрафом за длину, long2short, бюджетом мышления. | overthinking | ступень 6 |
| адаптер | adapter | ступень 6 |
| актор-критик (actor-critic) Две сети — актор (политика) и критик (оценка V); критик даёт актору оценку преимущества. | actor-critic | ступень 6 |
| асимметричный клиппинг (Clip-Higher) Верхняя граница клиппинга больше нижней (в DAPO — 1 + 0.28 и 1 − 0.2), чтобы редкие «исследовательские» токены могли расти. | Clip-Higher (decoupled clipping range) | ступень 6 |
| базовая линия (baseline) Число, которое вычитают из награды; не смещает градиент политики, но снижает его дисперсию. | baseline | ступень 6 |
| бенчмарк | benchmark | ступень 6 |
| бутстрэп (в RL) Обновление оценки с опорой на другую собственную оценку (V(s′) или max Q(s′, ·)), а не на полную фактическую отдачу. Не путать с бутстрэп-выборкой из статистики. | bootstrapping | ступень 6 |
| буфер воспроизведения (replay buffer) Хранилище прошлых переходов (s, a, r, s′), из которого сэмплируют случайные мини-батчи. | experience replay buffer | ступень 6 |
| бюджет мышления Лимит токенов на рассуждение; при его исчерпании рассуждение обрывают и просят модель ответить. Ручка «точность ↔ задержка». | thinking budget | ступень 6 |
| взлом награды (reward hacking) Политика находит способ получить высокую награду, не делая того, что задумали люди. | reward hacking | ступень 6 |
| внутренняя размерность Сколько независимых «направлений» в пространстве параметров реально нужно, чтобы решить задачу. Объясняет, почему LoRA хватает малого ранга. | intrinsic dimension | ступень 6 |
| выборка по значимости (importance sampling) Перевзвешивание сэмплов старой политики отношением π_new / π_old — основа PPO. | importance sampling | ступень 6 |
| вырожденная группа Все ответы группы получили одинаковую награду — все преимущества нулевые, градиента нет. | degenerate group (zero-variance group) | ступень 6 |
| вычисления во время инференса (test-time compute) Больше вычислений на ответ вместо большей модели: длинное рассуждение, много сэмплов с голосованием, поиск с проверщиком. | test-time compute | ступень 6 |
| гибридный режим мышления Одна модель умеет отвечать и с длинным рассуждением, и сразу. В Qwen3 режим переключается флагами /think и /no_think. | hybrid thinking mode | ступень 6 |
| гипотеза поверхностного выравнивания Из статьи LIMA (2023): знания модель получает на претрейне, а выравнивание в основном учит формату и стилю общения. | superficial alignment hypothesis | ступень 6 |
| градиент политики ∇J = E[r · ∇ log π(y|x)] — основа REINFORCE, PPO и GRPO. | policy gradient | ступень 6 |
| данные предпочтений Тройки (промпт, лучший ответ, худший ответ) — chosen / rejected. | preference data | ступень 6 |
| данные холодного старта Небольшой набор качественных длинных рассуждений для SFT перед RL — так в DeepSeek-R1 исправили нечитаемость R1-Zero. | cold-start data | ступень 6 |
| действие (в RL) Выбор агента на шаге. У LLM действие — следующий токен. | action | ступень 6 |
| динамический сэмплинг Выбросить группы с точностью 0 или 1 и досэмплировать новые, пока батч не заполнится «живыми» группами. | dynamic sampling | ступень 6 |
| динамическое программирование Решение задачи через ответы на подзадачи, которые хранятся и переиспользуются. В RL — методы для случая, когда модель среды известна. | dynamic programming | ступень 6 |
| дистилляция «от сильной к слабой» Схема Qwen3 для маленьких моделей. Сначала обучение на ответах большой модели (off-policy), затем подгонка к её логитам на собственных генерациях ученика (on-policy). | strong-to-weak distillation | ступень 6 |
| закон Гудхарта «Когда мера становится целью, она перестаёт быть хорошей мерой». | Goodhart's law | ступень 6 |
| инференс, вывод модели См. «reasoning»: в китайском одно и то же слово. | inference | ступень 6 |
| исследование и использование Компромисс между «пробовать новое, чтобы узнать больше» и «делать то, что сейчас кажется лучшим». | exploration vs. exploitation | ступень 6 |
| итерация по политике (policy iteration) Чередовать оценку политики (решить уравнение Беллмана для V^π) и её жадное улучшение, пока политика не перестанет меняться. | policy iteration | ступень 6 |
| итерация по ценности (value iteration) Повторять V(s) ← max_a Σ P(s′|s,a)[R + γV(s′)] до сходимости, затем взять жадную политику. | value iteration | ступень 6 |
| катастрофическое забывание При дообучении на узкой задаче модель теряет ранее освоенные навыки. | catastrophic forgetting | ступень 6 |
| квантование | quantization | ступень 6 |
| коллапс энтропии Энтропия политики быстро падает при RL: ответы в группе становятся почти одинаковыми, исследование прекращается, рост награды упирается в потолок. | entropy collapse | ступень 6 |
| контекстный бандит Задача RL из одного шага, но в разных ситуациях (контекстах). Ответ LLM целиком на промпт — пример такой задачи. | contextual bandit | ступень 6 |
| коэффициент дисконтирования γ от 0 до 1: во сколько раз награда через шаг «дешевле» награды сейчас. Горизонт планирования ≈ 1/(1−γ). | discount factor | ступень 6 |
| критик, value-модель Сеть, предсказывающая ожидаемую награду из текущего состояния; в PPO служит baseline для каждого токена. | critic / value model | ступень 6 |
| марковский процесс принятия решений (MDP) Пятёрка (S, A, P, R, γ): состояния, действия, вероятности переходов, награда и коэффициент дисконтирования. | Markov decision process (MDP) | ступень 6 |
| марковское свойство Будущее зависит только от текущего состояния и действия, а не от всей предыстории. | Markov property | ступень 6 |
| маска loss В SFT loss считают только по токенам ответа ассистента; остальные позиции получают метку -100 (ignore_index в PyTorch). | loss mask | ступень 6 |
| метод Монте-Карло (в RL) Оценка ценности усреднением фактических отдач законченных эпизодов. Без смещения, но с большим разбросом. | Monte Carlo method | ступень 6 |
| мир-сетка (gridworld) Учебная среда — агент ходит по клеткам поля, есть цели, ловушки и стены. | grid world | ступень 6 |
| многорукий бандит Простейшая задача RL — K «ручек» с неизвестными средними наградами, один шаг на эпизод. | multi-armed bandit | ступень 6 |
| модель Брэдли–Терри P(A ≻ B) = σ(r_A − r_B). Та же модель стоит за рейтингом Эло и лидербордом Chatbot Arena. | Bradley–Terry model | ступень 6 |
| на устройстве (on-device) | on-device / edge | ступень 6 |
| награда за языковую согласованность Доля слов целевого языка в рассуждении. В R1 её прибавляют к награде за точность. | language consistency reward | ступень 6 |
| награда, вознаграждение Число, которым среда оценивает действие или весь ответ. У LLM обычно одна награда в конце ответа. | reward | ступень 6 |
| налог на выравнивание Падение качества на обычных задачах после выравнивания под предпочтения. | alignment tax | ступень 6 |
| неявная награда В DPO: r(x, y) = β · log(π(y|x) / π_ref(y|x)) — награда, «спрятанная» в самой политике. | implicit reward | ступень 6 |
| обобщённая оценка преимущества (GAE) Schulman и др., 2015. Смешивает оценки преимущества разной длины с коэффициентом λ. | generalized advantage estimation (GAE) | ступень 6 |
| обучение без модели среды (model-free RL) Агент не знает вероятностей переходов и наград и учится только на собственном опыте. | model-free reinforcement learning | ступень 6 |
| обучение в контексте Модель решает новую задачу по примерам в промпте, без изменения весов. Ярко показано в статье о GPT-3 (2020). | in-context learning (ICL) | ступень 6 |
| обучение на временных разностях (TD) Обновление оценки после каждого шага: V(s) ← V(s) + α[r + γV(s′) − V(s)]. | temporal-difference learning | ступень 6 |
| отбор с отклонением (rejection sampling) Сгенерировать много ответов и оставить только прошедшие проверку. В пост-трейнинге — способ собрать SFT-данные из RL-модели. | rejection sampling | ступень 6 |
| отдача (return) G_t = r_t + γ r_{t+1} + γ² r_{t+2} + … — дисконтированная сумма наград от шага t до конца эпизода. | return | ступень 6 |
| оценка (эвалы) | evaluation (evals) | ступень 6 |
| оценка KL «k3» ρ − log ρ − 1, где ρ = π_ref / π_θ: несмещённая оценка KL(π_θ ‖ π_ref) по сэмплу, всегда ≥ 0. В verl — kl_loss_type=low_var_kl. | k3 KL estimator | ступень 6 |
| параметрически-эффективное дообучение (PEFT) Обучается малая доля параметров (адаптеры, LoRA, префиксы), основная модель заморожена. Так же называется библиотека Hugging Face. | parameter-efficient fine-tuning (PEFT) | ступень 6 |
| пермиссивная (разрешительная) лицензия MIT, Apache-2.0, BSD — разрешают коммерческое использование и изменения почти без условий, кроме сохранения уведомления об авторстве. | permissive license | ступень 6 |
| поиск по дереву Монте-Карло (MCTS) Алгоритм поиска, прославившийся благодаря AlphaGo. Для генерации текста пространство ходов слишком велико — ещё одна «неудачная попытка» R1. | Monte Carlo tree search (MCTS) | ступень 6 |
| полное дообучение | full fine-tuning | ступень 6 |
| правиловая награда Награду считает программа (сверка ответа, запуск тестов, проверка формата), а не нейросеть. Её трудно «взломать». | rule-based reward | ступень 6 |
| преимущество (advantage) A = r − b или A(s, a) = Q(s, a) − V(s): насколько действие лучше среднего в этой ситуации. | advantage | ступень 6 |
| производная модель Модель, полученная из чужой базовой — дообучением, дистилляцией, квантованием или слиянием. Наследует условия лицензии базовой модели. | derivative model | ступень 6 |
| проксимальная оптимизация политики (PPO) Schulman и др., 2017. Ограничивает шаг обновления «клиппингом» отношения вероятностей. | proximal policy optimization (PPO) | ступень 6 |
| процессная модель вознаграждения (PRM) Оценивает каждый шаг рассуждения, а не только итоговый ответ. В DeepSeek-R1 описана как «неудачная попытка». | process reward model (PRM) | ступень 6 |
| прямая оптимизация предпочтений (DPO) Rafailov и др., 2023. Обучение на парах предпочтений без reward model и без RL-цикла. | direct preference optimization (DPO) | ступень 6 |
| ранг матрицы Число линейно независимых строк (столбцов). Матрица B·A, где B размера d×r, а A — r×k, имеет ранг не больше r. | matrix rank | ступень 6 |
| референсная модель Замороженная копия модели до RL (обычно SFT-модель), к которой обучаемую политику «привязывает» KL-штраф. | reference model | ступень 6 |
| роллаут (генерация ответов для RL) Этап RL-шага, на котором текущая политика генерирует ответы на промпты. В GRPO — самая дорогая часть. | rollout | ступень 6 |
| самосогласованность (голосование большинством) Сгенерировать N ответов и выбрать самый частый итоговый. В отчётах — maj@k или cons@k. | self-consistency (majority voting) | ступень 6 |
| слияние весов Для LoRA — замена W на W + (α/r)·BA; после слияния адаптер не замедляет инференс. | weight merging | ступень 6 |
| смешение языков Модель переключается между языками внутри одного рассуждения. Типичная проблема R1-Zero. | language mixing | ступень 6 |
| смещение по длине (в GRPO) Из-за множителя 1/|o_i| короткие верные ответы поощряются сильнее, а длинные неверные наказываются слабее. Исправления — token-level loss (DAPO) и Dr. GRPO. | response-level length bias | ступень 6 |
| смещение экспозиции (exposure bias) При обучении модель видит только «правильные» префиксы, а при генерации — свои собственные, с ошибками. Отсюда накопление ошибок. | exposure bias | ступень 6 |
| состояние (в RL) Всё, что агенту нужно знать о ситуации, чтобы выбрать действие. У LLM — промпт плюс уже написанные токены. | state | ступень 6 |
| спекулятивное декодирование | speculative decoding | ступень 6 |
| угодничество (sycophancy) Склонность модели соглашаться с пользователем и льстить ему вместо правдивого ответа — частый побочный эффект RLHF. | sycophancy | ступень 6 |
| уравнение Беллмана Ценность состояния = средняя немедленная награда + γ · средняя ценность следующего состояния. | Bellman equation | ступень 6 |
| уравнение оптимальности Беллмана То же уравнение, но вместо усреднения по политике — максимум по действиям. Его решение — V* и Q*. | Bellman optimality equation | ступень 6 |
| формирование награды (reward shaping) Добавки к основной награде, которые направляют обучение: штраф за длину, за формат, за смешение языков. | reward shaping | ступень 6 |
| функция ценности действия (Q) Q^π(s, a) — средняя отдача, если в s выбрать действие a, а дальше действовать по π. | action-value function (Q-function) | ступень 6 |
| функция ценности состояния (V) V^π(s) — средняя отдача, если стартовать из s и дальше действовать по политике π. | state-value function | ступень 6 |
| целевая сеть (target network) Замороженная копия Q-сети для вычисления цели r + γ max Q; её веса обновляют редко. | target network | ступень 6 |
| чат-модель, instruct-модель Базовая модель после пост-трейнинга. На Hugging Face и ModelScope узнаётся по суффиксу -Instruct/-Chat (Qwen2.5) или по отсутствию суффикса -Base (Qwen3, DeepSeek-V3). | chat model / instruct model | ступень 6 |
| энтропийный бонус Добавка c·H[π(·|s)] к цели — награда за «неуверенность» политики, чтобы она не схлопнулась раньше времени и продолжала исследовать. | entropy bonus | ступень 6 |
| эпизод Одна партия взаимодействия от старта до конечного состояния. У LLM — один ответ до токена конца. | episode | ступень 6 |
| CISPO MiniMax-M1, 2025: клиппуется вес importance sampling (без градиента через него), а не само обновление — градиент получают все токены. | Clipped IS-weight Policy Optimization (CISPO) | ступень 6 |
| DAPO ByteDance Seed и Tsinghua AIR, 2025: Clip-Higher, динамический сэмплинг, token-level loss, мягкий штраф за сверхдлинные ответы. | Decoupled Clip and Dynamic sAmpling Policy Optimization (DAPO) | ступень 6 |
| DQN (глубокая Q-сеть) Mnih и др., 2015 — Q-learning с нейросетью, буфером воспроизведения и целевой сетью; играл в Atari по пикселям. | deep Q-network (DQN) | ступень 6 |
| GRPO (групповая относительная оптимизация политики) PPO без критика: на промпт генерируется группа из G ответов, преимущество — (r − среднее) / std по группе. DeepSeekMath, 2024. | Group Relative Policy Optimization (GRPO) | ступень 6 |
| GSPO Qwen, 2025: отношение вероятностей и клиппинг на уровне всего ответа, s_i = (π_θ(y)/π_old(y))^(1/|y|). Стабилизирует RL для MoE. | Group Sequence Policy Optimization (GSPO) | ступень 6 |
| KL-штраф Слагаемое −β·KL(π ‖ π_ref) в цели RL; не даёт политике уйти далеко от референсной модели. | KL penalty | ступень 6 |
| KV-кэш | KV cache | ступень 6 |
| loss на уровне токенов Сумма по всем токенам батча, делённая на их общее число: каждый токен весит одинаково, независимо от длины ответа. | token-level policy gradient loss | ступень 6 |
| NF4 (4-битный NormalFloat) 16 уровней — квантили нормального распределения, поэтому нормально распределённые веса квантуются точнее, чем равномерной сеткой INT4. | 4-bit NormalFloat (NF4) | ступень 6 |
| off-policy (обучение на данных другой политики) Политика, которую учим, отличается от той, что собирала данные. Пример — Q-learning; в PPO и GRPO — поправка π/π_old. | off-policy | ступень 6 |
| on-policy (обучение на данных текущей политики) Противоположность — off-policy, обучение на данных другой политики. | on-policy | ступень 6 |
| on-policy дистилляция (OPD) Ученик сам генерирует ответы, учитель оценивает каждый токен; минимизируется обратная KL(π_ученика ‖ π_учителя). Qwen3, DeepSeek-V4. | on-policy distillation (OPD) | ступень 6 |
| Q-learning Q(s,a) ← Q(s,a) + α[r + γ max_a′ Q(s′,a′) − Q(s,a)]. Off-policy: учит Q* при любом поведении. | Q-learning | ступень 6 |
| QLoRA (LoRA поверх 4-битной модели) | quantized LoRA (QLoRA) | ступень 6 |
| REINFORCE Алгоритм Уильямса (1992) — оценка градиента политики по сэмплам эпизодов (метод Монте-Карло). | REINFORCE | ступень 6 |
| SARSA Как Q-learning, но в цели Q(s′, a′) действия, которое агент действительно выбрал. On-policy. | SARSA (state–action–reward–state–action) | ступень 6 |
| TD-ошибка δ = r + γV(s′) − V(s): насколько после шага дела оказались лучше (или хуже), чем ожидалось. | TD error | ступень 6 |
| TRPO (оптимизация политики в доверительной области) Schulman и др., 2015 — шаг политики с ограничением на KL к старой политике; предшественник PPO. | trust region policy optimization (TRPO) | ступень 6 |
| ε-жадная стратегия С вероятностью ε — случайное действие, иначе — действие с наибольшей оценкой Q. | ε-greedy policy | ступень 6 |
| «прямой» оценщик градиента (STE) Приём QAT — в прямом проходе веса округляются, а в обратном округление считается тождественной функцией, и градиент проходит «насквозь». | straight-through estimator (STE) | ступень 7 |
| агент В китайском встречается и «дайли» («посредник»), но в AI-контексте стандарт — «чжинэнти» (буквально «интеллектуальное тело»). | agent | ступень 7 |
| анализ ошибок Ручной разбор неудачных ответов с разметкой причин. Подсказывает, что чинить, лучше любой средней метрики. | error analysis | ступень 7 |
| арифметическая интенсивность Сколько операций приходится на один прочитанный из памяти байт (FLOP/байт). Decode с батчем 1 в BF16 — около 1, prefill на 1000 токенов — около 1000. | arithmetic intensity | ступень 7 |
| асимметричное квантование (с нулевой точкой) Сетка 0 … 2^b − 1 натягивается на отрезок [min, max]. Не тратит уровни впустую, если данные не симметричны (например, после ReLU). | asymmetric (zero-point) quantization | ступень 7 |
| векторная база данных | vector database | ступень 7 |
| время до первого токена (TTFT) Сколько пользователь ждёт первое слово ответа: очередь + prefill всего промпта. Растёт с длиной промпта. | time to first token (TTFT) | ступень 7 |
| время на выходной токен (TPOT) Средняя пауза между токенами ответа после первого — длительность шага decode. 1 / TPOT — скорость «печати» для одного пользователя. | time per output token (TPOT) | ступень 7 |
| выброс (outlier) Значение, во много раз большее типичного. Задаёт масштаб своей группы и «сплющивает» остальные числа к нулю. В активациях LLM от ~6.7B параметров появляются целые каналы-выбросы (LLM.int8()). | outlier | ступень 7 |
| вызов инструментов | tool calling / function calling | ступень 7 |
| галлюцинация | hallucination | ступень 7 |
| генерация с дополнением извлечёнными данными (RAG) | retrieval-augmented generation (RAG) | ступень 7 |
| декодирование (фаза decode) Вторая фаза: один токен за один проход модели. На каждый токен заново читаются все (активные) веса и KV-кэш, поэтому фаза упирается в пропускную способность памяти. | decode phase | ступень 7 |
| доверительный интервал Диапазон вокруг измеренного значения метрики, построенный так, что при многократном повторении эксперимента он накрывает истинное значение с заданной частотой (обычно 95%). Для доли верных ответов ≈ p ± 1.96·√(p(1−p)/n). | confidence interval | ступень 7 |
| инференс-движок (сервер инференса) Программа, которая держит модель в памяти и обслуживает запросы — планирует батчи, управляет KV-кэшем, отдаёт OpenAI-совместимый API. Примеры — vLLM, SGLang, LMDeploy, llama.cpp. | inference engine / serving engine | ступень 7 |
| калибровочные данные Небольшой набор текстов (обычно сотня-другая примеров), на которых собирают статистику активаций для GPTQ, AWQ или imatrix. Для русскоязычного применения берите русские тексты. | calibration data | ступень 7 |
| каппа Коэна Согласие двух разметчиков с поправкой на случайное совпадение. 0 — как наугад, 1 — полное согласие. | Cohen's kappa | ступень 7 |
| квантование по группам Свой масштаб у каждых g соседних весов (обычно g = 32, 64 или 128). Плата — 16/g лишних бит на вес за FP16-масштаб. Основа INT4-форматов и GGUF. | group-wise quantization | ступень 7 |
| квантование после обучения (PTQ) Готовую модель квантуют без обучения, иногда с помощью небольшого калибровочного набора. RTN, GPTQ, AWQ, k-кванты llama.cpp — всё это PTQ. | post-training quantization (PTQ) | ступень 7 |
| квантование только весов (W4A16) Веса хранятся в 4 или 8 битах, активации остаются в 16 битах; веса восстанавливаются «на лету» внутри ядра умножения. Ускоряет decode, который упирается в чтение весов. | weight-only quantization | ступень 7 |
| лидерборд (рейтинговая таблица) Таблица моделей, отсортированных по результату на бенчмарке или по голосам людей. Полезна для обзора, опасна как единственная цель (закон Гудхарта). | leaderboard | ступень 7 |
| локальная LLM Модель, которая работает на вашем компьютере без облака — бесплатно, офлайн и без передачи данных третьим лицам. | local LLM | ступень 7 |
| масштаб квантования (scale) Число, на которое делят вещественные значения перед округлением и умножают после. Хранится рядом с целыми кодами — на тензор, на канал или на группу. | quantization scale | ступень 7 |
| модель roofline («крыша») Достижимая производительность = min(пик FLOP/с, интенсивность × пропускная способность памяти). Точка перегиба (ridge point) = пик / пропускная способность; у H100 около 295 FLOP/байт. | roofline model | ступень 7 |
| непрерывный батчинг Состав батча пересматривается после каждого шага decode — закончившиеся запросы уходят, новые встают на их место. Идея системы Orca (2022), стандарт всех современных серверов. | continuous batching (iteration-level scheduling) | ступень 7 |
| нулевая точка (zero point) Целый код, который соответствует вещественному нулю в асимметричном квантовании. Восстановление — x̂ = (q − zero_point) · scale. | zero point | ступень 7 |
| объективная оценка (по эталонному ответу) Задачи с однозначно проверяемым ответом — выбор варианта, число, прохождение тестов. Так делят оценку в OpenCompass. | objective evaluation | ступень 7 |
| ограничено вычислениями (compute-bound) Операция, в которой вычислитель загружен полностью, а память успевает подвозить данные. Ускоряется только более быстрым железом или меньшим числом операций. | compute-bound | ступень 7 |
| ограничено памятью (memory-bound) Операция, которая дольше ждёт данные из памяти, чем считает. Ускоряется, если читать меньше байт (квантование, GQA, MLA) или делать больше работы на каждый прочитанный байт (батчинг). | memory-bound | ступень 7 |
| подгонка под лидерборд Буквально «натирать рейтинг». Обучение на тесте или похожих данных, перебор вариантов до удачного числа, выбор удобных настроек оценки — всё, что поднимает цифру сильнее, чем умение. | leaderboard gaming / benchmark hacking | ступень 7 |
| позиционное смещение Судья предпочитает ответ на определённом месте (первым или вторым) независимо от содержания. Лечится перестановкой и усреднением. | position bias | ступень 7 |
| поканальное квантование Свой масштаб у каждой строки матрицы весов (выходного канала). Точнее, чем один масштаб на весь тензор, почти без накладных расходов. | per-channel quantization | ступень 7 |
| попарное сравнение Вместо оценки «по шкале» судья (человек или модель) выбирает лучший из двух ответов. Так устроены Chatbot Arena и Arena-Hard. | pairwise comparison | ступень 7 |
| предпочтение «своих» ответов Модель-судья завышает оценки ответам своей же модели или своего семейства. | self-preference / self-enhancement bias | ступень 7 |
| префикс-кэш (кэширование префиксов) Если начало нового запроса совпадает с уже обработанным (системный промпт, история диалога), его KV-кэш берут готовым и prefill делают только для «хвоста». | prefix caching | ступень 7 |
| промпт, запрос | prompt | ступень 7 |
| пропускная способность памяти Сколько байт в секунду память отдаёт вычислителю. RTX 4080 — около 717 ГБ/с, H100 — 3.35 ТБ/с, двухканальная DDR5 — около 90 ГБ/с. Главное число для скорости decode. | memory bandwidth | ступень 7 |
| распределение слоёв между GPU и CPU (offload) Часть слоёв модели лежит в видеопамяти, остальные — в оперативной памяти. В llama.cpp регулируется флагом -ngl. Время токена складывается из чтения обеих частей, и медленная оперативная память быстро становится главным слагаемым. | layer offloading | ступень 7 |
| рейтинг Эло Шахматный рейтинг, который пересчитывают по исходам попарных партий. В Chatbot Arena его заменили оценкой модели Брэдли–Терри по всем голосам сразу. | Elo rating | ступень 7 |
| рубрика (критерии оценивания) Список конкретных проверяемых критериев с баллами. Делает оценку судьи (и человека) воспроизводимой. | rubric | ступень 7 |
| симметричное квантование (absmax) Сетка целых чисел симметрична относительно нуля: scale = max|x| / qmax, q = round(x / scale). Ноль кодируется точно. Стандарт для весов. | symmetric (absmax) quantization | ступень 7 |
| смещение в пользу длинных ответов Судьи (и люди) склонны считать длинный, красиво оформленный ответ лучшим. Отсюда length-controlled метрики и style control. | verbosity bias / length bias | ступень 7 |
| стандартная ошибка Стандартное отклонение оценки метрики из-за конечного числа вопросов. Для доли — √(p(1−p)/n). | standard error | ступень 7 |
| статический батчинг Батч запросов стартует и заканчивается целиком: короткие ответы ждут самый длинный, их места простаивают. | static batching | ступень 7 |
| субъективная оценка (открытые ответы) Открытые ответы без единственного эталона — диалог, текст, советы. Оценивают люди или LLM-судья. | subjective evaluation | ступень 7 |
| точное совпадение (EM) Метрика «1, если нормализованный ответ совпал с эталоном, иначе 0». Всё решает нормализация и извлечение ответа. | exact match | ступень 7 |
| ценовая война Обвальное снижение цен на API китайских LLM, начавшееся в мае 2024 г. после выхода DeepSeek-V2. | price war | ступень 7 |
| черновая модель (драфт) Маленькая быстрая модель, которая в спекулятивном декодировании предлагает несколько токенов вперёд; большая модель проверяет их за один проход. | draft model | ступень 7 |
| AWQ (квантование с учётом активаций) Метод PTQ (MIT HAN Lab, 2023) — около 1% весов, которые умножаются на большие активации, защищают поканальным масштабированием перед округлением. | activation-aware weight quantization (AWQ) | ступень 7 |
| GGUF (формат файлов llama.cpp) Один файл с весами (обычно квантованными), токенизатором, шаблоном чата и метаданными. Типы квантования — Q8_0, Q6_K, Q4_K_M и др. Используют llama.cpp, Ollama, LM Studio. | GGUF | ступень 7 |
| GPTQ Метод PTQ (2022) — квантует столбцы весов по одному и переносит ошибку округления на ещё не квантованные столбцы, используя статистику входов H = 2XᵀX. | GPTQ | ступень 7 |
| LLM-судья (LLM-as-a-judge) Сильная модель оценивает ответы другой модели по рубрике или сравнивает пару ответов. Дёшево и быстро, но со смещениями. | LLM-as-a-judge | ступень 7 |
| ModelScope — китайский хаб моделей Платформа Alibaba (запущена в 2022 г.), китайский аналог Hugging Face; сайт modelscope.cn. | ModelScope | ступень 7 |
| OpenAI-совместимый API HTTP-интерфейс в формате OpenAI Chat Completions (/v1/chat/completions). Его отдают Ollama, llama-server, vLLM, SGLang, а также DeepSeek и Qwen в облаке — код клиента не меняется. | OpenAI-compatible API | ступень 7 |
| PagedAttention (страничный KV-кэш) KV-кэш хранится блоками фиксированного размера (например, по 16 токенов), а таблица блоков связывает логические позиции с физическими — как страницы виртуальной памяти в ОС. Основа vLLM. | PagedAttention | ступень 7 |
| PD-дезагрегация (раздельные prefill и decode) Prefill и decode выполняются на разных группах GPU, а KV-кэш передаётся между ними по сети. Так фазы не мешают друг другу. Mooncake (Kimi), DistServe, инференс DeepSeek-V3. | prefill-decode disaggregation | ступень 7 |
| prefill (предзаполнение) Первая фаза генерации: весь промпт проходит через модель одним параллельным проходом, заполняется KV-кэш и получается первый токен. Упирается в вычисления. | prefill | ступень 7 |
| prefill по частям (chunked prefill) Длинный промпт обрабатывается кусками, которые перемешиваются с шагами decode других запросов, чтобы те не замирали на время большого prefill. | chunked prefill | ступень 7 |
| RadixAttention Префикс-кэш SGLang — KV-кэш всех запросов хранится в префиксном (radix) дереве, общие начала переиспользуются автоматически, редко нужные ветви вытесняются по LRU. | RadixAttention | ступень 7 |
| throughput (суммарная скорость сервиса) Сколько токенов в секунду сервер выдаёт всем пользователям вместе. Батчинг повышает throughput ценой роста TPOT у каждого пользователя. | throughput | ступень 7 |
| «ведро токенов» (token bucket) Алгоритм лимитов. В ведре до C жетонов, оно пополняется со скоростью r в секунду, запрос забирает жетоны. Допускает короткие всплески и держит среднюю скорость. | token bucket | ступень 8 |
| «путешествие во времени» (перезапуск с прошлого чекпоинта) Запуск графа из любого прошлого чекпоинта потока: повторить шаги после него (replay) или сначала поправить состояние (update_state) и пойти по новой ветке (fork). Старые чекпоинты сохраняются. | time travel | ступень 8 |
| автоматическая оптимизация промптов Программа перебирает формулировки инструкций и примеры, чтобы поднять метрику на наборе (DSPy, GEPA). Риск — переобучение на dev-наборе. | automatic prompt optimization | ступень 8 |
| агентное обучение с подкреплением (Agentic RL) RL на многошаговых траекториях с вызовами инструментов в среде; в китайских текстах часто пишут просто «Agentic RL». | agentic reinforcement learning | ступень 8 |
| алгоритм Луна Контрольная сумма номеров банковских карт. Отличает настоящий номер карты от случайных 16 цифр при поиске персональных данных. | Luhn algorithm | ступень 8 |
| асинхронное обучение с подкреплением Генерация траекторий (rollout) и шаги обучения идут параллельно на разных ресурсах; цена — данные слегка «устаревают» (off-policy). | asynchronous RL | ступень 8 |
| асинхронный ввод-вывод (async/await) Пока одна задача ждёт сеть (например, ответ модели), программа обслуживает другие. В Python — корутины async def и оператор await. | asynchronous I/O | ступень 8 |
| биэнкодер Запрос и документ кодируются независимо, сходство — скалярное произведение векторов. Векторы документов считаются заранее, поэтому поиск быстрый. | bi-encoder | ступень 8 |
| бюджет токенов и денег на запрос Потолок расхода на один запрос пользователя (токены, доллары, шаги) на все вызовы моделей всех агентов. Проверяется до вызова по худшему случаю (весь вход + max_tokens), списывается после по факту; при нехватке — переход на дешёвую модель или честный отказ. | token budget | ступень 8 |
| верность контексту (faithfulness) Доля утверждений ответа, которые подтверждаются найденным контекстом. Низкая faithfulness — признак галлюцинаций генератора. | faithfulness / groundedness | ступень 8 |
| воплощённый ИИ | embodied AI | ступень 8 |
| гибридный поиск Одновременный лексический (BM25) и векторный поиск с последующим слиянием выдач, например через RRF. | hybrid search | ступень 8 |
| граф состояний Способ описать агентную систему как конечный автомат над общим состоянием: узлы — функции «состояние → частичное обновление», рёбра — переходы (обычные или условные). Основная абстракция LangGraph. | state graph | ступень 8 |
| грейдер (проверяющая функция) Функция, которая ставит оценку ответу модели. Бывает кодовой (JSON разобрался, поле совпало), модельной (LLM-судья) и человеческой. | grader | ступень 8 |
| деградация на резервную модель Вызов более дешёвой или более доступной модели, когда основная недоступна после повторов или не влезает в бюджет. Ответ становится проще, но сервис продолжает работать; факт деградации пишется в состояние и трассу. | model fallback | ступень 8 |
| джейлбрейк (обход ограничений модели) | jailbreak | ступень 8 |
| джиттер (случайный разброс паузы) Случайная добавка или случайный выбор паузы перед повтором запроса, чтобы клиенты, получившие ошибку одновременно, не повторяли её тоже одновременно. «Полный джиттер» из статьи AWS: пауза = uniform(0, min(cap, base · 2^k)). | jitter | ступень 8 |
| долговечное выполнение Выполнение долгого процесса (агента, графа, workflow), которое переживает падение процесса и перезапуск: состояние сохраняется после каждого шага, а после сбоя работа продолжается с места остановки, без повтора уже сделанного. Так устроены Temporal, DBOS и чекпоинты LangGraph. Требует идемпотентных побочных эффектов. | durable execution | ступень 8 |
| дополненная LLM Базовый строительный блок агентных систем: модель, у которой есть поиск (RAG), инструменты и память. Она сама формулирует запросы, выбирает инструменты и решает, что запомнить. | augmented LLM | ступень 8 |
| дрейф данных Изменение распределения входов со временем — новый язык, новые темы, сезонность. Эвал-набор при этом перестаёт отражать реальный трафик. | data drift | ступень 8 |
| закон Литтла L = λ·W — среднее число запросов в системе равно интенсивности их поступления, умноженной на среднее время в системе. | Little's law | ступень 8 |
| заражение промптом (инъекция между агентами) Промпт-инъекция, которая распространяется по мультиагентной системе: агент, прочитавший вредный текст, передаёт его (или выполненную по нему инструкцию) следующему агенту. Описана в работе Lee и Tiwari (2024, arXiv 2410.07283). | prompt infection | ступень 8 |
| золотой набор (тест-набор) Версионированный набор входов с эталонными ответами или способом проверки, на котором прогоняют каждую версию промпта или модели. | golden dataset | ступень 8 |
| индекс стабильности популяции (PSI) Мера сдвига распределения признака: сумма (aᵢ − eᵢ)·ln(aᵢ/eᵢ) по категориям или по бинам числового признака. Пороги — эмпирическое правило: меньше 0.1 — мало, больше 0.25 — заметный сдвиг. | population stability index | ступень 8 |
| индекс Юдена J = TPR + TNR − 1. Ноль — судья не лучше монетки, единица — безошибочный. На J делят при поправке наблюдаемой доли «хороших» ответов. | Youden's index (J statistic) | ступень 8 |
| канареечный выпуск Новая версия сначала получает малую долю трафика (например, 5%); её онлайн-метрики сравнивают со старой, и только потом трафик переключают целиком. | canary release | ступень 8 |
| ключ идемпотентности Уникальный идентификатор логического действия, который клиент передаёт вместе с запросом и повторяет при ретраях. Сервер выполняет действие один раз, сохраняет ответ под этим ключом (в той же транзакции, что и изменение) и на повторы отдаёт сохранённый ответ. Ключ рождается вместе с действием и хранится в состоянии, а не генерируется при каждом вызове. | idempotency key | ступень 8 |
| контейнер (Docker) Запущенный изолированный процесс со своей файловой системой из образа. Одинаково работает на ноутбуке и на сервере. | container | ступень 8 |
| контекст-инжиниринг (context engineering) Решение, какие токены и в каком порядке попадают в окно на каждом вызове — инструкции, примеры, документы, история, результаты инструментов. | context engineering | ступень 8 |
| контрольная точка графа (checkpoint) Снимок выполнения графа после шага: состояние, следующий узел, номер шага — в потоке с идентификатором thread_id. Позволяет продолжить после сбоя, поставить граф на паузу до ответа человека и вернуться к любому прошлому шагу. | checkpoint | ступень 8 |
| косинусное сходство Косинус угла между векторами — скалярное произведение, делённое на произведение длин. Для нормированных векторов равно скалярному произведению. | cosine similarity | ступень 8 |
| кросс-энкодер Модель читает пару «запрос + документ» целиком и выдаёт оценку релевантности. Точнее биэнкодера, но заранее ничего не посчитать — применяется как реранкер. | cross-encoder | ступень 8 |
| кэширование контекста (кэш промпта) Провайдер хранит KV-кэш общего префикса запросов и не пересчитывает его; такие «попадания» стоят в разы дешевле. У DeepSeek — «кэш контекста на жёстком диске». | context caching / prompt caching | ступень 8 |
| маршрутизация (шаблон workflow) Классификатор (LLM или обычная модель) определяет тип входа и отправляет его в специализированную ветку со своим промптом, инструментами или моделью. | routing | ступень 8 |
| маскирование данных Замена персональных данных метками ([EMAIL], [PHONE]) перед записью в лог или отправкой во внешний сервис. | data masking (redaction) | ступень 8 |
| машинный перевод | machine translation | ступень 8 |
| мультиагентная система | multi-agent system | ступень 8 |
| мультимодальный | multimodal | ступень 8 |
| наблюдаемость Способность по собранным данным (логи, метрики, трейсы) ответить, что и почему произошло в системе, не добавляя новый код. | observability | ступень 8 |
| нагрузочное тестирование Замер задержки и пропускной способности сервиса при заданном числе одновременных пользователей — чтобы найти предел до того, как его найдут пользователи. | load testing | ступень 8 |
| непрерывная интеграция (CI) Автоматический запуск проверок (тестов, эвалов) на каждое изменение кода, например в GitHub Actions. Изменение, которое проверки не прошло, не сливают. | continuous integration | ступень 8 |
| образ контейнера Неизменяемый «слепок» файловой системы с программой и зависимостями, собранный по Dockerfile. Из одного образа запускают сколько угодно контейнеров. | container image | ступень 8 |
| обратное давление (backpressure) Перегруженный сервис честно отказывает (503 + Retry-After), вместо того чтобы копить бесконечную очередь, в которой всё равно все дождутся таймаута. | backpressure | ступень 8 |
| ограждения (guardrails) Проверки на входе и выходе LLM-сервиса — размер, темы, персональные данные, инъекции, формат, утечка системного промпта. Слой защиты, а не гарантия. | guardrails | ступень 8 |
| ограничение частоты запросов Не больше N запросов или токенов за интервал на пользователя или ключ. При превышении сервис отвечает 429 и заголовком Retry-After. | rate limiting | ступень 8 |
| ограниченное декодирование На каждом шаге сэмплирования запрещаются токены, нарушающие грамматику (например, JSON-схему), — их логиты заменяются на минус бесконечность, и после softmax вероятность таких токенов равна нулю. | constrained decoding / guided decoding | ступень 8 |
| онлайн-оценка Оценка качества на живом трафике — доля отказов и дизлайков, проверки ассертами и выборочный LLM-судья. Дополняет офлайн-прогон золотого набора. | online evaluation | ступень 8 |
| оркестратор (ведущий агент) Агент, который разбивает задачу на подзадачи, раздаёт их субагентам и собирает результаты. | orchestrator | ступень 8 |
| оркестратор и исполнители Центральная LLM сама разбивает задачу на подзадачи, раздаёт их исполнителям и сводит ответы. В отличие от параллелизации, подзадачи не известны заранее. | orchestrator-workers | ступень 8 |
| отслеживание происхождения данных (taint tracking) Метка «недоверенное» у данных, которые пришли из внешнего источника, и у всего, что из них получено (пересказ агента — тоже). Политика проверяет метки перед действием: после недоверенных данных необратимое — только с подтверждением человека или вовсе запрещено. | taint tracking | ступень 8 |
| оценка по результату (по конечному состоянию) Проверка того, к какому состоянию мира привёл агент (запись создана, деньги возвращены), без требований к пути. Anthropic советует её для агентов, меняющих состояние: к цели ведут разные пути. Пропускает нарушения процесса (действие без подтверждения), поэтому её дополняют проверками траектории. | outcome evaluation (end-state evaluation) | ступень 8 |
| оценка траектории агента Проверка не только итога, но и пути агента: какие узлы и инструменты вызваны, в каком порядке, с какими аргументами, были ли подтверждения перед действиями. Метрики — точное совпадение, порядок (подпоследовательность), precision и recall вызовов инструментов, правила безопасности; для смысла — LLM-судья с рубрикой. | trajectory evaluation | ступень 8 |
| оценщик и оптимизатор Один вызов LLM генерирует ответ, другой оценивает его и даёт обратную связь; цикл повторяется, пока оценщик не одобрит или не кончится лимит шагов. | evaluator-optimizer | ступень 8 |
| память агента Краткосрочная (short-term memory) — то, что в контекстном окне; долгосрочная (long-term memory) — внешнее хранилище, откуда нужное извлекается по запросу. | agent memory | ступень 8 |
| параллелизация (шаблон workflow) Несколько вызовов LLM работают одновременно, а код сводит результаты. Два варианта: секционирование (независимые подзадачи) и голосование (одна задача несколько раз). | parallelization | ступень 8 |
| передача управления (handoff) Один агент передаёт диалог другому, более подходящему агенту вместе с историей. Ключевая абстракция OpenAI Agents SDK; шаблон есть и в Microsoft Agent Framework. | handoff | ступень 8 |
| переменная окружения Именованное значение, которое процесс получает от системы при запуске (os.environ). Через них передают адреса, настройки и секреты, не записывая их в код. | environment variable | ступень 8 |
| песочница Изолированная среда (контейнер, ВМ), где агент исполняет код и команды, не рискуя основной системой. | sandbox | ступень 8 |
| планирование (у агента) | planning | ступень 8 |
| поток выполнения графа (thread) Цепочка чекпоинтов одного разговора или задачи, адресуется строкой thread_id в config. Новый вызов с тем же thread_id продолжает состояние, с другим — начинает с нуля. Не путать с потоками операционной системы и с потоком курса (Cohort). | thread (thread_id) | ступень 8 |
| потоковая выдача (стриминг) Ответ приходит по кусочкам через Server-Sent Events; уменьшает время до первого токена, но не число токенов. | streaming | ступень 8 |
| предохранитель (circuit breaker) Шаблон устойчивости: после N ошибок подряд зависимость считается недоступной («разомкнут»), и запросы к ней сразу отклоняются или уходят на запасной путь; через заданное время одна пробная попытка решает, «замкнуться» обратно или подождать ещё. Экономит время пользователей и не добивает упавший сервис. | circuit breaker | ступень 8 |
| прерывание графа (interrupt) Вызов interrupt(значение) внутри узла останавливает граф и сохраняет чекпоинт; приложение показывает значение человеку и продолжает граф через Command(resume=ответ). При возобновлении узел выполняется заново с начала, а interrupt возвращает ответ. | interrupt | ступень 8 |
| приближённый поиск ближайших соседей (ANN) Поиск похожих векторов без полного перебора (HNSW, IVF, PQ) ценой небольшой потери полноты. | approximate nearest neighbor search (ANN) | ступень 8 |
| принцип наименьших привилегий | principle of least privilege | ступень 8 |
| промпт-инжиниринг | prompt engineering | ступень 8 |
| промпт-инъекция Атака, при которой инструкции злоумышленника попадают в контекст модели (напрямую или через веб-страницу, письмо, файл) и перехватывают управление. | prompt injection | ступень 8 |
| протокол контекста модели (MCP) Открытый протокол (Anthropic, ноябрь 2024) на JSON-RPC 2.0 для подключения инструментов, ресурсов и промптов к LLM-приложениям. | Model Context Protocol (MCP) | ступень 8 |
| разработка через эвалы (EDD) Аналог разработки через тесты для LLM-систем. Сначала пример неудачи попадает в набор, потом делается правка, и она проверяется прогоном набора. | eval-driven development | ступень 8 |
| редьюсер (правило слияния состояния) Функция (старое значение, обновление) → новое значение для одного ключа состояния графа. Без редьюсера обновление перезаписывает ключ; с operator.add списки сообщений дописываются. | reducer | ступень 8 |
| режим прав агента Настройка Claude Agent SDK (permission_mode): что делать с вызовом инструмента, который не разрешён явно — спросить (default), принять правки файлов (acceptEdits), отказать (dontAsk), только планировать (plan) или пропускать всё (bypassPermissions). | permission mode | ступень 8 |
| реранкер Вторая ступень поиска — точная, но медленная модель (обычно кросс-энкодер) пересортировывает десятки кандидатов от быстрого ретривера. | reranker | ступень 8 |
| рефлексия (самокритика агента) Модель оценивает свою попытку и записывает вывод «что исправить», который используется в следующей попытке (Reflexion, Self-Refine). | reflection | ступень 8 |
| семантические соглашения OpenTelemetry для GenAI Стандартные имена спанов и атрибутов для вызовов моделей, агентов и инструментов: invoke_workflow, invoke_agent, chat, execute_tool; gen_ai.request.model, gen_ai.usage.input_tokens, gen_ai.provider.name и др. Статус на октябрь 2026 — Development: имена ещё меняются. С версии 1.42.0 основных соглашений вынесены в отдельный репозиторий open-telemetry/semantic-conventions-genai. | OpenTelemetry GenAI semantic conventions | ступень 8 |
| семантический кэш Возвращает сохранённый ответ на запрос, близкий по смыслу (косинус эмбеддингов выше порога). Опасен ложными попаданиями — «включить» и «отключить» очень похожи. | semantic cache | ступень 8 |
| сессия агента Хранилище истории разговора, которое SDK сам подгружает перед запуском агента и пополняет после. В OpenAI Agents SDK — SQLiteSession, Redis, SQLAlchemy и др.; в Claude Agent SDK — session_id и resume. | agent session | ступень 8 |
| системный промпт Сообщение с ролью system — правила для модели (роль, тон, формат). Технически это просто первый блок текста в chat-шаблоне. | system prompt | ступень 8 |
| слияние по обратным рангам (RRF) score(d) = Σ 1 / (k + rank_i(d)), обычно k = 60. Использует только ранги, поэтому не требует согласовывать шкалы оценок. | reciprocal rank fusion (RRF) | ступень 8 |
| спан Один шаг трейса — операция с началом, концом, атрибутами (модель, токены) и ссылкой на родительский спан. | span | ступень 8 |
| специфичность (TNR) Доля отрицательных примеров, которые классификатор правильно назвал отрицательными. Для LLM-судьи — как часто он ловит плохой ответ. | specificity (true negative rate) | ступень 8 |
| среда (в RL и для агентов) То, с чем взаимодействует агент — инструменты, песочница, симулятор пользователя — вместе с правилами выдачи награды. | environment | ступень 8 |
| структурированный вывод Ответ модели в машиночитаемом формате (обычно JSON по схеме), который код может разобрать и проверить. | structured output | ступень 8 |
| субагент | subagent | ступень 8 |
| теневой запуск Копия реальных запросов отправляется новой версии, но её ответы пользователю не показывают — только записывают и сравнивают. | shadow deployment | ступень 8 |
| тест Макнемара Парный тест для двух классификаторов на одних и тех же примерах. Смотрит только на несогласованные пары; если версии равны, каждая такая пара — «монетка» 50/50. | McNemar's test | ступень 8 |
| токен-канарейка Случайная строка в системном промпте. Если она появилась в ответе модели, значит, промпт утекает, — ответ блокируют и поднимают тревогу. | canary token | ступень 8 |
| траектория Полная запись эпизода агента — все мысли, вызовы инструментов и наблюдения. Единица данных для оценки и agentic RL. | trajectory | ступень 8 |
| трейсинг (трассировка запросов) Запись пути одного запроса через систему в виде дерева спанов — поиск, вызов LLM, инструменты — с временем и атрибутами каждого шага. | tracing | ступень 8 |
| фейковая модель со сценарием Тестовая замена LLM, которая возвращает заранее записанные ответы и вызовы инструментов по порядку. Делает тесты агента детерминированными, быстрыми и бесплатными; проверяет код вокруг модели, но не качество самой модели. | scripted (fake) model | ступень 8 |
| хвостовая задержка (p95, p99) Задержка, которую не превышают 95% или 99% запросов. Среднее скрывает медленные запросы, а пользователи помнят именно их. | tail latency | ступень 8 |
| целевой уровень сервиса (SLO) Измеримая цель, например «p95 TTFT меньше 2 с при 8 пользователях». По ней планируют железо и поднимают тревоги. | service level objective | ступень 8 |
| цепочка промптов Шаблон workflow: задача разбита на фиксированные шаги, каждый вызов LLM обрабатывает выход предыдущего; между шагами — программные проверки («ворота»). Больше задержка, выше точность. | prompt chaining | ступень 8 |
| цикл событий Диспетчер asyncio, который переключается между корутинами в местах await. Долгое вычисление без await блокирует всех. | event loop | ступень 8 |
| чанкинг (нарезка документов) Разбиение документов на фрагменты (чанки) для индексации. Каждый чанк получает свой эмбеддинг. | chunking | ступень 8 |
| чекпоинтер (хранилище чекпоинтов) Объект, который сохраняет снимок состояния графа после каждого супершага и отдаёт его по thread_id. В LangGraph: InMemorySaver для тестов, SqliteSaver и PostgresSaver (отдельные пакеты) для работы. | checkpointer | ступень 8 |
| человек в контуре (подтверждение человеком) | human-in-the-loop | ступень 8 |
| шаблон промпта Текст промпта с переменными-«дырками» ({ticket}, {docs}), которые заполняются на каждом запросе. Хранится в репозитории как код. | prompt template | ступень 8 |
| экспоненциальная задержка повторов Повтор неудачного запроса через 1, 2, 4, 8… секунд со случайным разбросом (джиттером), чтобы клиенты не ударили по серверу одновременно. | exponential backoff | ступень 8 |
| эмбеддинг-модель Модель, которая превращает текст целиком в один вектор так, что близкие по смыслу тексты дают близкие векторы (BGE, multilingual-e5, Qwen3-Embedding). | embedding model | ступень 8 |
| эндпоинт Адрес и метод HTTP, по которым сервис принимает запросы определённого вида, например POST /ask. | endpoint | ступень 8 |
| Agent SDK (библиотека агентного цикла) Библиотека, которая берёт на себя цикл «модель → инструменты → модель» и даёт абстракции поверх него: агенты, передачи управления, guardrails, сессии, трассы (OpenAI Agents SDK) или цикл Claude Code с файлами, терминалом, хуками и правами (Claude Agent SDK). | agent SDK | ступень 8 |
| BM25 Функция ранжирования по ключевым словам — TF-IDF с насыщением по частоте (k1) и нормировкой на длину документа (b). | BM25 (Okapi BM25) | ступень 8 |
| Docker Compose Описание нескольких связанных контейнеров (приложение, модель, база) в одном файле docker-compose.yml и запуск их одной командой. | Docker Compose | ступень 8 |
| few-shot (примеры в промпте) Несколько пар «вход → выход» прямо в промпте; модель подхватывает формат без дообучения (in-context learning). Zero-shot — без примеров. | few-shot prompting | ступень 8 |
| GraphRAG (RAG на графе знаний) RAG, в котором LLM заранее извлекает из корпуса сущности и связи в граф и строит сводки по его сообществам — для глобальных и многошаговых вопросов. | GraphRAG | ступень 8 |
| HNSW (иерархический граф «малого мира») Один из самых распространённых ANN-индексов в векторных БД — многослойный граф, по которому поиск спускается от редких верхних слоёв к плотным нижним; предложен Ю. Мальковым и Д. Яшуниным (arXiv:1603.09320). | Hierarchical Navigable Small World (HNSW) | ступень 8 |
| LangGraph Открытый (MIT) фреймворк LangChain Inc. для агентов с состоянием: граф узлов над общим состоянием, чекпоинты после каждого шага, пауза для человека (interrupt), стриминг, подграфы. Работает и без LangChain. | LangGraph | ступень 8 |
| MCP-сервер внутри процесса Свои инструменты-функции Python, оформленные как MCP-сервер, который работает в том же процессе, что и приложение, без отдельного процесса и транспорта. В Claude Agent SDK создаётся через @tool и create_sdk_mcp_server. | in-process (SDK) MCP server | ступень 8 |
| OpenTelemetry Открытый стандарт и набор SDK для телеметрии — трасс, метрик и логов. Код размечается один раз, а данные отправляются по протоколу OTLP в любую совместимую систему (Jaeger, Grafana, Phoenix, Langfuse и др.) без привязки к вендору. | OpenTelemetry | ступень 8 |
| prefill ответа (начало ответа за модель) Разработчик сам пишет начало сообщения ассистента, а модель продолжает. Есть в vLLM (continue_final_message) и у DeepSeek (бета, prefix: true); в новых моделях Claude не поддерживается. | response prefill | ступень 8 |
| ReAct (рассуждение + действие) Парадигма агента, где модель чередует Thought → Action → Observation (Yao и др., 2022). | ReAct (Reason + Act) | ступень 8 |
| Server-Sent Events (SSE) Стандарт потоковой передачи по HTTP: сервер шлёт текстовые блоки «data: …», разделённые пустой строкой. Так стримят ответы LLM. | server-sent events | ступень 8 |
| TF-IDF Вес слова = частота в документе × «редкость» в корпусе. Классический разреженный (лексический) поиск. | TF-IDF (term frequency – inverse document frequency) | ступень 8 |
| workflow (конвейер с заданными шагами) По определению Anthropic («Building effective agents»): система, где LLM и инструменты связаны заранее заданными путями в коде. В агенте путь выбирает сама модель. Обе разновидности Anthropic называет агентными системами. | workflow | ступень 8 |
| (лог-)мел-спектрограмма спектрограмма, сложенная треугольными мел-фильтрами и прологарифмированная; вход Whisper и выход многих TTS | (log-)mel spectrogram | ступень 9 |
| абляционный эксперимент, абляция Убрать или заменить один компонент и сравнить с полной моделью, чтобы измерить вклад этого компонента. | ablation study | ступень 9 |
| автоэнкодер (автокодировщик) энкодер сжимает вход в короткий код, декодер восстанавливает вход; учится без разметки | autoencoder | ступень 9 |
| алиасинг (наложение частот) частота выше предела Найквиста после дискретизации выглядит как более низкая | aliasing | ступень 9 |
| вариационный автокодировщик (VAE) | variational autoencoder (VAE) | ступень 9 |
| вектор управления (steering) Направление в остаточном потоке (например, вектор признака SAE), которое прибавляют к активациям во время генерации, чтобы сдвинуть поведение модели. | steering vector | ступень 9 |
| визуально-языковая модель (VLM) в китайских статьях также «мультимодальная большая модель» (MLLM) | vision-language model (VLM) | ступень 9 |
| визуальный трансформер (ViT) картинка режется на патчи, каждый патч становится токеном | Vision Transformer (ViT) | ступень 9 |
| внешнее выравнивание Совпадает ли сформулированная цель (награда, рубрика, спецификация) с тем, чего на самом деле хотят люди. | outer alignment | ступень 9 |
| внутреннее выравнивание Совпадает ли то, чему модель научилась на самом деле, с целью обучения — в том числе вне обучающего распределения. | inner alignment | ступень 9 |
| вокодер превращает мел-спектрограмму обратно в звуковую волну (WaveNet, HiFi-GAN) | vocoder | ступень 9 |
| генеративно-состязательная сеть (GAN) генератор против дискриминатора; сегодня чаще всего — вспомогательный лосс в автоэнкодерах и вокодерах | generative adversarial network (GAN) | ступень 9 |
| гиперсвязи остаточный поток расширяется до n параллельных потоков с обучаемым смешиванием | hyper-connections (HC) | ступень 9 |
| граф атрибуции Граф для одного промпта, где узлы — активные признаки заменяющей модели, а рёбра — их прямые влияния друг на друга и на ответ (Anthropic, 2025). | attribution graph | ступень 9 |
| дважды стохастическая матрица неотрицательная матрица, у которой сумма каждой строки и каждого столбца равна 1 | doubly stochastic matrix | ступень 9 |
| демографический паритет Требование равных долей положительных решений по группам; меряют разницей или отношением долей. | demographic parity | ступень 9 |
| детектор речевой активности (VAD) находит в записи участки с речью; спасает ASR от галлюцинаций на тишине | voice activity detection (VAD) | ступень 9 |
| диффузионная модель | diffusion model | ступень 9 |
| диффузионный трансформер (DiT) | Diffusion Transformer (DiT) | ступень 9 |
| добросовестное использование (fair use) Доктрина авторского права США, допускающая использование произведений без разрешения по четырём факторам; на неё ссылаются разработчики моделей в исках об обучающих данных. | fair use | ступень 9 |
| доля ошибок по словам (WER) (замены + удаления + вставки) / слов в эталоне; для китайского считают CER (character error rate) — долю ошибок по символам | word error rate (WER) | ступень 9 |
| доля успешных атак (ASR) Доля вредных запросов или атак, на которые модель выдала то, что должна была отклонить. Имеет смысл только вместе с долей ложных отказов. | attack success rate (ASR) | ступень 9 |
| игра со спецификацией (specification gaming) Система формально выполняет заданную цель (награду, тест, правило), но не так, как задумали люди. Reward hacking — частный случай. | specification gaming | ступень 9 |
| интервал Уилсона Доверительный интервал для доли, который остаётся внутри [0, 1] и не схлопывается при 0 успехах (0 из 50 → [0, 0.071]); нужен для редких событий вроде ASR. | Wilson score interval | ступень 9 |
| карточка модели (model card) Документ к модели: назначение, где применять нельзя, данные, метрики (в том числе по группам), ограничения (Mitchell и др., 2019). | model card | ступень 9 |
| кодовая книга обучаемый словарь векторов, по которому квантуют выходы энкодера (VQ-VAE, аудиокодеки) | codebook | ступень 9 |
| контрастивное обучение сближаем представления «правильных пар» и раздвигаем «неправильные» | contrastive learning | ступень 9 |
| контрфактическая пара Два входа, отличающиеся только признаком группы (Иван/Анна с согласованными формами слов); разница ответов модели показывает смещение. | counterfactual pair | ступень 9 |
| латентная диффузия диффузия идёт не по пикселям, а в сжатом пространстве VAE (Stable Diffusion) | latent diffusion | ступень 9 |
| латентное пространство пространство кодов автоэнкодера; в китайских текстах также «скрытое пространство» | latent space | ступень 9 |
| линейный зонд Логистическая или линейная регрессия на замороженных активациях модели. Показывает, что свойство линейно извлекаемо, но не доказывает, что модель его использует. | linear probe | ступень 9 |
| ложный отказ (over-refusal) Отказ модели на безобидный запрос, который лишь похож на вредный («как убить процесс в Linux»). Меряют, например, набором XSTest. | over-refusal (false refusal) | ступень 9 |
| масштабируемый надзор Как надёжно оценивать и направлять модели, которые в задаче сильнее проверяющего (дебаты, ИИ-помощники оценщика, декомпозиция). | scalable oversight | ступень 9 |
| межслойный транскодер (CLT) Разреженная замена MLP-слоёв. Каждый признак читает остаточный поток на одном слое и пишет в выходы всех последующих MLP; основа графов атрибуции. | cross-layer transcoder | ступень 9 |
| мел-шкала шкала воспринимаемой высоты звука; m = 2595·log10(1 + f/700) | mel scale | ступень 9 |
| метод Эйлера шаг x ← x + h·v(x, t): проехать по текущей стрелке чуть-чуть и посмотреть снова | Euler method | ступень 9 |
| механистическая интерпретируемость Обратная разработка обученной нейросети — поиск внутри неё понятных алгоритмов (схем) и доказательство вмешательством, что модель действительно их использует. | mechanistic interpretability | ступень 9 |
| моносемантичность Единица анализа (нейрон или признак словаря) отвечает ровно за одно понятное понятие. | monosemanticity | ступень 9 |
| нейрокодек (нейросетевой аудиокодек) автоэнкодер для звуковой волны с квантованием; его коды — аудиотокены (SoundStream, EnCodec, Mimi) | neural audio codec | ступень 9 |
| несоразмерное воздействие (disparate impact) Отношение доли положительных решений в группе к доле в самой «удачливой» группе; по правилу 4/5 тревожно, если меньше 0.8. | disparate impact | ступень 9 |
| обдуманное выравнивание (deliberative alignment) Метод OpenAI (2024): модель-рассуждатель учат перед ответом разбирать относящиеся к делу пункты спецификации в цепочке рассуждений. | deliberative alignment | ступень 9 |
| обобщение от слабого к сильному (weak-to-strong) Сильная модель, обученная на метках слабой, превосходит учителя; успех меряют долей закрытого разрыва PGR. | weak-to-strong generalization | ступень 9 |
| обучение с подкреплением на отзывах ИИ (RLAIF) Как RLHF, но пары ответов сравнивает модель-судья по принципам, а не люди. | reinforcement learning from AI feedback (RLAIF) | ступень 9 |
| обыкновенное дифференциальное уравнение (ОДУ) dx/dt = v(x, t): скорость изменения величины задана через её текущее значение и время | ordinary differential equation (ODE) | ступень 9 |
| оконное преобразование Фурье (STFT) спектр коротких перекрывающихся окон сигнала; у Whisper окно 25 мс, шаг 10 мс | short-time Fourier transform (STFT) | ступень 9 |
| оптическое распознавание символов (OCR) | optical character recognition (OCR) | ступень 9 |
| оптическое сжатие контекста идея DeepSeek-OCR — хранить длинный текст как картинку в меньшем числе визуальных токенов | optical context compression | ступень 9 |
| остаточное векторное квантование (RVQ) каждая следующая кодовая книга кодирует остаток после предыдущих | residual vector quantization (RVQ) | ступень 9 |
| оценка опасных возможностей Проверка, насколько модель, вызванная «по максимуму» (инструменты, много попыток), может помочь злоумышленнику — через вопросы-заменители, агентные задачи и исследования с экспертами. | dangerous capability evaluation | ступень 9 |
| ошибочное обобщение цели Модель с правильной наградой выучила другую цель, совпадавшую с ней на обучающих данных (агент CoinRun бежит вправо мимо монеты). | goal misgeneralization | ступень 9 |
| паттерн внимания Матрица весов внимания одной головы размера T×T; строка i показывает, как позиция-запрос i распределила внимание между позициями 0…i. | attention pattern | ступень 9 |
| патч изображения квадратный кусок картинки (обычно 14×14 или 16×16 пикселей), «слово» для ViT | image patch | ступень 9 |
| подмена активаций (activation patching) Причинный метод. Активацию в одной точке (слой, позиция) из «чистого» прогона подставляют в «испорченный» и меряют, какую долю правильного ответа это восстанавливает. | activation patching | ступень 9 |
| поле скоростей (векторное поле) стрелка v(x, t) в каждой точке и в каждый момент — куда и как быстро двигаться | velocity field | ступень 9 |
| полисемантичность (многозначность нейрона) Один нейрон срабатывает на несколько несвязанных понятий (например, на цитаты, HTTP-запросы и корейский текст). | polysemanticity | ступень 9 |
| политика ответственного масштабирования Публичное обязательство лаборатории — пороги опасных возможностей, регулярные оценки и обязательные меры защиты при приближении к порогу (RSP Anthropic, Preparedness Framework OpenAI, FSF Google DeepMind). | responsible scaling policy (RSP) | ступень 9 |
| преобразование Фурье раскладывает сигнал на синусоиды разных частот; дискретная версия — ДПФ, быстрый алгоритм — FFT | Fourier transform | ступень 9 |
| препринт статья, выложенная до (или без) рецензирования, — например, на arXiv | preprint | ступень 9 |
| проектор (визуальный адаптер) переводит выходы визуального энкодера в пространство эмбеддингов LLM | projector, vision-language connector | ступень 9 |
| прямая атрибуция логитов (DLA) Вклад компонента в логит токена t — скалярное произведение его выхода со столбцом W_U для t (при замороженном масштабе финальной нормализации). Видит только прямые вклады. | direct logit attribution | ступень 9 |
| равенство возможностей (equal opportunity) Равный TPR по группам: среди действительно подходящих доля положительных решений одинакова (Hardt и др., 2016). | equal opportunity | ступень 9 |
| разреженный автоэнкодер (SAE) Автоэнкодер с широким скрытым слоем и штрафом за число активных латентов. Обученный на активациях LLM, раскладывает их в сумму немногих интерпретируемых признаков. | sparse autoencoder | ступень 9 |
| расписание шума сколько шума добавлять на каждом шаге прямого процесса (β₁…β_T) | noise schedule | ступень 9 |
| распознавание речи (ASR) | automatic speech recognition (ASR) | ступень 9 |
| Регламент ЕС об ИИ (AI Act) Регламент (ЕС) 2024/1689, вступил в силу 01.08.2024; регулирует применения ИИ по уровню риска и отдельно — модели общего назначения. | EU AI Act | ступень 9 |
| рецензирование | peer review | ступень 9 |
| синтез речи (TTS) | text-to-speech (TTS) | ступень 9 |
| системная карточка модели (system card) Документ, публикуемый с моделью — результаты оценок безопасности, возможностей и рисков, принятые меры и ограничения. | system card | ступень 9 |
| словарное обучение Поиск «словаря» направлений, через которые каждый вектор данных выражается разреженной комбинацией. SAE — способ словарного обучения. | dictionary learning | ступень 9 |
| спектрограмма картинка «частота × время», яркость — громкость частоты в данный момент; для речи в китайских текстах также «речевая спектрограмма» | spectrogram | ступень 9 |
| спецификация поведения модели (model spec) Открытый документ о том, как должна вести себя модель и чьи указания важнее (Model Spec OpenAI, конституция Claude). | model spec | ступень 9 |
| справедливость алгоритмов (fairness) Отсутствие систематически худших ошибок или решений для групп людей. Не путать с bias как свободным членом и со смещением в bias–variance. | algorithmic fairness | ступень 9 |
| средняя экспертная оценка (MOS) средняя оценка естественности синтезированной речи слушателями по шкале 1–5 | mean opinion score (MOS) | ступень 9 |
| суперпозиция признаков Модель хранит больше признаков, чем у неё измерений, раскладывая их по почти ортогональным направлениям. Работает, пока признаки редко активны одновременно. | superposition | ступень 9 |
| схема (цепь) в нейросети Набор компонентов (головы, нейроны, признаки) и связей между ними, которые вместе реализуют один алгоритм, например индукцию. | circuit | ступень 9 |
| технический отчёт (техотчёт) Так лаборатории описывают свои модели. Это не рецензируемая статья, хотя часть отчётов позже публикуют в журналах (DeepSeek-R1 — в Nature). | technical report | ступень 9 |
| трюк репараметризации z = μ + σ·ε, ε ~ N(0, 1): случайность выносится во вход, и градиент проходит к μ и σ | reparameterization trick | ступень 9 |
| универсальный джейлбрейк Приём, который снимает защиту модели почти на любом запросе, а не на одном конкретном. | universal jailbreak | ступень 9 |
| условная память поиск по хешированным n-граммам за O(1) (Engram, DeepSeek) — вторая ось разреженности рядом с MoE | conditional memory | ступень 9 |
| частота дискретизации сколько отсчётов сигнала в секунду; для речи обычно 16 кГц | sampling rate | ступень 9 |
| частота Найквиста половина частоты дискретизации — самая высокая частота, которую можно записать | Nyquist frequency | ступень 9 |
| чтение в три прохода | three-pass approach | ступень 9 |
| Attention Residuals (внимание по глубине) | Attention Residuals (AttnRes) | ступень 9 |
| CLIP (контрастивное предобучение «картинка — текст») | Contrastive Language–Image Pre-training (CLIP) | ступень 9 |
| Constitutional AI (выравнивание по конституции) Метод Anthropic (2022): модель критикует и правит свои ответы по записанным принципам (SFT), затем учится на AI-предпочтениях (RLAIF). | Constitutional AI | ступень 9 |
| CTC (коннекционистская временная классификация) символ или «пусто» на каждый кадр; повторы схлопываются, пустые символы удаляются | Connectionist Temporal Classification (CTC) | ступень 9 |
| DDPM (вероятностная диффузионная модель с шумоподавлением) | Denoising Diffusion Probabilistic Model (DDPM) | ступень 9 |
| ELBO (нижняя граница правдоподобия) −loss VAE = реконструкция с минусом − KL; не больше log p(x) | evidence lower bound (ELBO) | ступень 9 |
| flow matching (сопоставление потоков) | flow matching | ступень 9 |
| guard-модель (модель-страж) Отдельный классификатор, проверяющий вход и выход основной LLM по таксономии рисков (Llama Guard, Qwen3Guard). | guard model | ступень 9 |
| guidance без классификатора (CFG) | classifier-free guidance (CFG) | ступень 9 |
| InfoNCE (контрастивная функция потерь) cross-entropy по матрице сходств, где правильные пары стоят на диагонали | InfoNCE loss | ступень 9 |
| logit lens («логит-линза») Применить финальную нормализацию и LM-голову к остаточному потоку промежуточного слоя — «что модель предсказала бы, если бы остановилась здесь» (nostalgebraist, 2020). | logit lens | ступень 9 |
| mHC (гиперсвязи с ограничением на многообразие) | manifold-constrained hyper-connections (mHC) | ступень 9 |
| omni-модель (всемодальная модель) одна модель читает текст, картинки, звук и видео и отвечает текстом и речью (Qwen-Omni) | omni model | ступень 9 |
| rectified flow («выпрямленный поток») flow matching по прямым от шума к данным; reflow дополнительно выпрямляет траектории. В китайских текстах часто пишут просто Rectified Flow | rectified flow | ступень 9 |
| red teaming (работа красной команды) Систематический поиск способов заставить систему вести себя плохо до того, как это сделают злоумышленники; бывает ручным и автоматическим. | red teaming | ступень 9 |
| SOTA (лучший известный результат) в китайских текстах обычно пишут просто «SOTA» или «обновить SOTA» | state of the art (SOTA) | ступень 9 |
| U-Net свёрточная сеть «сжать — разжать» с обходными связями; классический денойзер диффузии до DiT | U-Net | ступень 9 |
| VQ-VAE (автоэнкодер с векторным квантованием) каждый вектор энкодера заменяется ближайшим вектором кодовой книги; его номер — дискретный токен | vector-quantized variational autoencoder (VQ-VAE) | ступень 9 |
| Whisper encoder–decoder трансформер для распознавания и перевода речи, обучен на 680 тыс. часов; MIT | Whisper (OpenAI) | ступень 9 |
| веха (milestone) Промежуточная цель с проверяемым результатом — артефактом или числом. Проект без вех трудно довести до конца. | milestone | ступень 10 |
| выпускной проект Итоговый проект, который собирает навыки всего курса в одну работающую систему. В Китае сокращённо «бишэ» (выпускной проект). | capstone project | ступень 10 |
| журнал экспериментов Запись каждого запуска — дата, коммит, конфиг, гипотеза, результат, вывод. Из него потом пишется отчёт. | experiment log | ступень 10 |
| защита проекта Короткий доклад о проекте и ответы на вопросы комиссии. В китайских вузах защита («дабянь») — обязательный финал выпускного проекта. | project defense | ступень 10 |
| «багу» (заученные шаблонные ответы к собеседованию) IT-жаргон: стандартные ответы на типовые теоретические вопросы собеседования, которые заучивают заранее («зубрить багу»). Слово — от «багувэнь», «восьмичленного сочинения» с жёстко заданной формой на императорских экзаменах эпох Мин и Цин. | rote interview answers ("eight-legged essay") | ступень 11 |
| «шуати» — тренировка на задачах Китайское слово для систематического решения задач на платформах вроде LeetCode (у него есть китайская версия) при подготовке к собеседованиям. Слог «шуа» значит «чистить щёткой»; «шуати» — «прорешивать задачи одну за другой». | grinding practice problems | ступень 11 |
| альтернативная стоимость Ценность лучшего варианта, от которого отказались. Карта, занятая сервисом, не обучает модели: её «бесплатность» — иллюзия, если на ней стояли бы эксперименты. | opportunity cost | ступень 11 |
| амортизация Распределение стоимости купленного оборудования по сроку службы: машина за 36 месяцев «стоит» 1/36 цены в месяц. Входит в цену часа своей карты вместе с электричеством и обслуживанием. | depreciation | ступень 11 |
| бизнес-метрика То, ради чего строят систему: выручка, конверсия, удержание, доля вопросов, решённых без оператора. ML-метрики (точность, recall@k) полезны, только если связаны с ней. | business metric | ступень 11 |
| бюджет ошибок Сколько «плохих» событий разрешает SLO за период: при SLO 99% хороших ответов за 30 дней бюджет — 1% запросов. Скорость его расхода (burn rate) — основа алертов по SLO. | error budget | ступень 11 |
| версионирование данных Каждая версия набора данных получает неизменный идентификатор (обычно хэш содержимого), который записан рядом с кодом. Идея инструмента DVC: данные в хранилище, их хэши — в git. | data versioning | ступень 11 |
| взвешивание по обратной склонности (IPS) Поправка на смещение в логах: каждый клик весят как 1 / p, где p — вероятность, что объект вообще заметили (зависит от позиции). Клик на 10-й позиции, которую видят редко, весит больше клика на первой. | inverse propensity scoring | ступень 11 |
| воспроизведение статьи Повторить результат статьи своими руками: выписать постановку, собрать минимальную версию, сравнить свои числа с числами статьи с учётом разброса и объяснить расхождения в отчёте. | paper reproduction | ступень 11 |
| выгорание Состояние хронической усталости от работы или учёбы: занятия превращаются в обязанность, интерес и результативность падают, растёт цинизм («всё равно ничего не выйдет»). Лечится не силой воли, а изменением нагрузки и ритма. | burnout | ступень 11 |
| генеративные рекомендации Подход, где рекомендатель генерирует идентификаторы следующих товаров как последовательность токенов, а не оценивает каждый кандидат отдельно. Активное направление исследований с 2023–2024 годов. | generative recommendation | ступень 11 |
| генерация кандидатов (отбор) Первая ступень рекомендателя или поиска: из миллионов объектов быстро и грубо выбрать сотни–тысячи кандидатов несколькими источниками (коллаборативная фильтрация, ANN по векторам, популярное). Меряют recall@k. | candidate generation (retrieval stage) | ступень 11 |
| грейд (уровень должности) Ступень в лестнице должностей компании: junior → middle → senior → lead и выше. От грейда зависят ожидания (масштаб задач и самостоятельность), набор секций собеседования и вилка зарплаты. Названия и число ступеней в каждой компании свои. | job level (seniority level) | ступень 11 |
| гроккинг Запоздалое обобщение: модель давно выучила train (точность ≈ 100%), на валидации долго держится на уровне угадывания, а потом точность на валидации резко растёт почти до 100%. Описан в статье Power et al. (2022) на модульной арифметике; weight decay сильно ускоряет переход. В китайских текстах часто пишут просто Grokking. | grokking | ступень 11 |
| два указателя Приём, при котором два индекса движутся по массиву (навстречу друг другу или в одну сторону), и вложенный цикл O(n²) превращается в один проход O(n). | two pointers | ступень 11 |
| двухбашенная модель Две нейросети: «башня» пользователя и «башня» товара выдают векторы, оценка — их скалярное произведение. Векторы товаров считаются заранее и ищутся через ANN — как биэнкодер в поиске для RAG. | two-tower model | ступень 11 |
| дежурство (on-call) Порядок, при котором один инженер из команды по графику отвечает на алерты и руководит реакцией на инциденты. | on-call | ступень 11 |
| дизайн-документ Документ на несколько страниц до начала разработки: задача, ограничения, метрики, варианты решения, оценки нагрузки и стоимости, риски. Его обсуждают с командой и по нему потом проверяют, что построили. | design document | ступень 11 |
| доля решённых без оператора Доля обращений, которые бот закрыл сам: без перевода на оператора и без повторного обращения по той же теме в ближайшие дни. Без второго условия метрику легко «накрутить», просто усложнив выход на человека. | deflection rate (containment rate) | ступень 11 |
| дрейф понятий Входы те же, а правильные ответы изменились — поменялись тарифы, устарели документы, обновились правила. PSI по входам его не видит, заметно только по качеству. | concept drift | ступень 11 |
| запросов в секунду (QPS) Мера нагрузки на сервис. Средний QPS = запросы в сутки / 86 400; под железо планируют пиковый — средний, умноженный на пиковый коэффициент. | queries per second | ступень 11 |
| защитная метрика Метрика, которая не должна ухудшиться при выкатке новой версии, даже если главная растёт: задержка, доля жалоб, утечки персональных данных, стоимость запроса. | guardrail metric | ступень 11 |
| значение-заглушка Значение, которое на самом деле означает «нет данных»: «-», «N/A», «нет», 0, 01.01.1970, 99999. Опаснее явного пропуска: выглядит как настоящее значение и попадает в расчёты. | sentinel (placeholder) value | ступень 11 |
| инициализация k-means++ Первый центр — случайная точка, каждый следующий — точка с вероятностью, пропорциональной квадрату расстояния до ближайшего выбранного центра. Центры расходятся по разным облакам, и Ллойд реже застревает в плохом минимуме. | k-means++ initialization | ступень 11 |
| инцидент Незапланированное ухудшение сервиса, заметное пользователям или угрожающее SLO. Требует реакции дежурного и после завершения — разбора. | incident | ступень 11 |
| карточка датасета Документ к датасету: откуда данные, за какой период, как размечены и почищены (с числами), перекосы, ограничения, версия. Пара к карточке модели. | dataset card (datasheet) | ступень 11 |
| каскад моделей Цепочка «дешёвая модель → дорогая модель → человек»: уверенные случаи решает первая ступень, неуверенные передаются дальше. Пороги ступеней задают и качество, и стоимость. | model cascade | ступень 11 |
| кликабельность (CTR) Доля показов, после которых был клик: клики / показы. Быстрая онлайн-метрика рекомендаций, рекламы и поиска; оптимизировать только её опасно — растут «кликбейтные» позиции. | click-through rate | ступень 11 |
| код-ревью Проверка изменений кода другим инженером до слияния в основную ветку — на корректность, читаемость, тесты и производительность. | code review | ступень 11 |
| коллаборативная фильтрация Рекомендации только по матрице взаимодействий «пользователь × товар», без признаков товаров: «товары, которые берут вместе с вашими» (item-item) или «что любят похожие на вас» (user-user). | collaborative filtering | ступень 11 |
| контракт данных Записанная кодом договорённость о данных: столбцы, типы, обязательность, уникальность, допустимые значения и диапазоны. Валидатор проверяет каждую выгрузку и не пускает дальше строки с нарушениями. | data contract | ступень 11 |
| конфиг (файл конфигурации) Файл (обычно YAML) со всеми гиперпараметрами и путями прогона. Эксперименты меняют конфиг или переопределяют его из командной строки, а не правят код; конфиг сохраняется в папку прогона. | configuration file | ступень 11 |
| куча (двоичная куча) Дерево в массиве, где родитель не больше детей (min-куча). Минимум — за O(1), вставка и извлечение — за O(log n). В Python — модуль heapq; на ней строят top-k и очередь с приоритетом. | heap (binary heap) | ступень 11 |
| лицензионное соглашение участника (CLA) Договор между автором вклада и владельцем проекта о правах на код; подписывают один раз, обычно через бота в первом PR. Другой вариант — DCO: строка Signed-off-by в каждом коммите (git commit -s). | Contributor License Agreement (CLA) | ступень 11 |
| маршрутизация между моделями Выбор модели для каждого запроса по задаче, сложности, цене и доступности: простое — маленькой своей модели, сложное — большой или внешней; при отказе — запасная модель (fallback). | model routing | ступень 11 |
| матрица стоимости ошибок Цена каждого исхода классификации: пропуск нарушения, ложная блокировка, ручная проверка. По ней порог выбирают минимизацией ожидаемой стоимости, а не по F1. | cost matrix | ступень 11 |
| матричное разложение (в рекомендациях) Приближение матрицы взаимодействий произведением U·Vᵀ: у каждого пользователя и товара — вектор размерности d (32–256), оценка интереса — их скалярное произведение. Родственник низкорангового приближения и SVD. | matrix factorization | ступень 11 |
| мейнтейнер (сопровождающий проекта) Человек с правом сливать изменения в проект; ревьюит PR, отвечает на issue и потом годами поддерживает принятый код. | maintainer | ступень 11 |
| метод Фейнмана Проверка понимания объяснением: изложить тему простыми словами так, будто учите новичка, найти места, где объяснение буксует или держится на непонятом термине, вернуться к источнику и упростить ещё раз. Назван по имени физика Ричарда Фейнмана. | Feynman technique | ступень 11 |
| метод STAR Схема рассказа о своём опыте: Situation (ситуация) → Task (ваша задача) → Action (что сделали лично вы) → Result (результат, лучше с числом). Часто добавляют вывод: чему научились и что сделали бы иначе. | STAR method | ступень 11 |
| минимальный воспроизводимый пример Самый короткий код (обычно 10–20 строк), который воспроизводит ошибку без ваших файлов и данных, плюс версии библиотек и полный traceback. Главное содержимое хорошего issue и вопроса на форуме. | minimal reproducible example (MRE) | ступень 11 |
| многоэтапная рекомендательная система Каскад «отбор кандидатов → ранжирование → переранжирование»: каждая следующая ступень точнее и дороже, но видит всё меньше объектов. В китайской индустрии этапы называют «отзыв» (recall), «грубое ранжирование», «точное ранжирование» и «переранжирование». | multi-stage (cascade) recommender | ступень 11 |
| модерация контента Проверка пользовательских текстов, изображений и видео на нарушения правил площадки: спам, мошенничество, оскорбления, персональные данные, запрещённые товары. Обычно каскад правил, моделей и людей. | content moderation | ступень 11 |
| модульная арифметика Арифметика остатков: (a + b) mod p — остаток от деления суммы на p, как часы с p делениями. Таблицы таких операций — «маленькие алгоритмические датасеты» из статьи о гроккинге. | modular arithmetic | ступень 11 |
| мультиарендность Одна система обслуживает многих независимых потребителей (команды, клиентов) с раздельными ключами, квотами, данными и логами, чтобы один арендатор не мешал другим и не видел их данных. | multi-tenancy | ступень 11 |
| набор выпускников («сяочжао») В Китае — массовый сезонный найм студентов и выпускников вузов, с онлайн-тестами и несколькими раундами собеседований. Противопоставляется «шэчжао» — найму специалистов с опытом. | campus recruitment | ступень 11 |
| найм специалистов с опытом («шэчжао») Найм людей с опытом работы на конкретную открытую вакансию, круглый год. На собеседовании больше спрашивают о прошлых проектах и проектировании систем, чем при наборе выпускников. | experienced hiring | ступень 11 |
| невозвратные затраты Деньги, которые уже потрачены и не вернутся при любом решении (купленная машина). В сравнении вариантов их не учитывают; учитывают будущие расходы и альтернативную стоимость. | sunk cost | ступень 11 |
| неявная обратная связь Сигналы поведения — показы, клики, добавления в корзину, покупки, время просмотра — вместо явных оценок. Их много, но они шумные и смещены тем, что вообще показали. | implicit feedback | ступень 11 |
| нормализация Юникода Приведение «одинаковых на вид» символов к одной записи. NFKC превращает полноширинные цифры и запятую (U+FF11–U+FF13, U+FF0C) в обычные «123» и «,», но заодно «№» в «No». | Unicode normalization (NFC, NFKC) | ступень 11 |
| обнаружение точки изменения Поиск момента, когда у временного ряда изменились свойства — например, доля ошибок скачком выросла. Онлайн-методы (CUSUM) решают по прошлому, офлайн-методы смотрят на весь ряд. | change point detection | ступень 11 |
| обход в глубину (DFS) Обход графа «вглубь до упора, потом назад» — рекурсией или стеком. Компоненты связности, поиск циклов, топологическая сортировка. Сложность O(V + E). | depth-first search | ступень 11 |
| обход в ширину (BFS) Обход графа слоями через очередь. В невзвешенном графе находит кратчайший путь по числу рёбер. Сложность O(V + E). | breadth-first search | ступень 11 |
| осознанная практика Тренировка на границе своих возможностей с быстрой обратной связью и разбором ошибок — в отличие от повторения того, что уже получается. Понятие ввёл психолог Андерс Эрикссон; его книга «Peak» (с Робертом Пулом) вышла на китайском под названием «Осознанная практика». | deliberate practice | ступень 11 |
| откат Возврат к предыдущей работающей версии кода, модели, промпта или конфигурации. Первое действие, если инцидент начался после выкатки. | rollback | ступень 11 |
| отчёт о собеседовании Китайское сокращение «мяньцзин» — от «опыт собеседования»: пост кандидата о прошедшем собеседовании — какие были этапы и вопросы. Из таких постов собирают сборники вопросов к собеседованиям. | interview experience post | ступень 11 |
| оффер (предложение о работе) Официальное предложение о работе после собеседований: должность, грейд, зарплата и другие условия, дата выхода. Условия оффера обсуждают до подписания — это и есть переговоры об оффере. | job offer | ступень 11 |
| оценка «на салфетке» Быстрый расчёт порядка величины по нескольким формулам и округлённым числам: нагрузка, память, скорость, число GPU, деньги. Точность — в пределах 1.5–2 раз; уточняется замером. | back-of-the-envelope estimate | ступень 11 |
| очередь Структура «первым пришёл — первым ушёл» (FIFO). В Python — collections.deque: popleft за O(1), а list.pop(0) — за O(n). | queue | ступень 11 |
| переменные расходы Расходы, пропорциональные объёму: оплата API за токены, аренда GPU по часам под фактическую нагрузку. При малой нагрузке переменные расходы обычно выгоднее постоянных. | variable cost | ступень 11 |
| переписывание запроса Преобразование запроса перед поиском: исправление опечаток и раскладки, синонимы, извлечение фильтров («до 3000 рублей»), подстановка контекста диалога. Часто делается LLM офлайн для частых запросов. | query rewriting | ступень 11 |
| петля обратной связи Модель учится на данных, которые сама же и создала своими решениями: в рекомендациях популярное показывают чаще, оно собирает больше кликов и становится ещё популярнее. Разрывают исследованием и случайными показами. | feedback loop | ступень 11 |
| поведенческое интервью Секция собеседования, где спрашивают о прошлом опыте: «расскажите о случае, когда…». Проверяют, как вы работаете — с ошибками, конфликтами, неопределённостью, сроками. Отвечают историями по методу STAR. | behavioral interview | ступень 11 |
| поиск сломавшего коммита делением пополам (git bisect) Git сам выбирает коммит посередине между «хорошим» и «плохим», вы отвечаете good или bad; среди N коммитов виновник находится за ~log₂N проверок. Можно автоматизировать скриптом (git bisect run). | git bisect | ступень 11 |
| портфолио Набор проектов, по которым работодатель может проверить ваши навыки: репозитории с README, числами, графиками и демо, технический отчёт, посты. Для кандидата без опыта работы — главный аргумент. | portfolio | ступень 11 |
| последовательные рекомендации Предсказание следующего действия по упорядоченной истории пользователя; товары играют роль токенов, а модель — часто трансформер (SASRec, BERT4Rec). | sequential recommendation | ступень 11 |
| постмортем (разбор инцидента) Письменный разбор после инцидента — хронология, влияние, причина, почему не поймали раньше, действия с владельцами и сроками. Пишется без поиска виноватых (blameless). | postmortem | ступень 11 |
| постоянные расходы Расходы, которые не зависят от объёма работы: свои GPU, их амортизация, дежурства. Чем больше нагрузка, тем меньше их доля на один запрос. | fixed cost | ступень 11 |
| построчная история файла (git blame) Показывает для каждой строки файла, в каком коммите, кем и когда она изменена последний раз. | git blame | ступень 11 |
| правила разметки Документ для разметчиков: определения классов, правила для пограничных случаев, примеры «да» и «нет», что делать при сомнении. Правят по разбору расхождений. | annotation guidelines | ступень 11 |
| приём log-sum-exp log Σ exp(zᵢ) = m + log Σ exp(zᵢ − m), где m = max zᵢ. Все показатели ≤ 0, переполнения нет. На нём держатся устойчивые softmax и cross-entropy. | log-sum-exp trick | ступень 11 |
| пробное собеседование Тренировочное собеседование в формате настоящего: с таймером, вслух, с «интервьюером» — коллегой, учебным напарником или ИИ. Главная польза — разбор после: где молчали, где ушли в сторону, чего не знали. | mock interview | ступень 11 |
| проектирование ML-систем Проектирование всей системы, в которой модель — лишь одна часть: требования, метрики, данные, бейзлайн, модель, оценка, сервинг, мониторинг и цикл обратной связи. Отдельная секция собеседований на ML-инженера. | ML system design | ступень 11 |
| происхождение данных (lineage) Для каждой строки и каждого признака известно, из какого источника и какими шагами они получены. Простейший вариант — сохранять номер строки сырого файла. | data lineage | ступень 11 |
| публичный и приватный лидерборд Тест соревнования делят на две части. Публичная видна во время соревнования после каждой посылки, приватная открывается в конце и решает итоговые места. В китайских соревнованиях часто похожая схема с двумя тестовыми наборами: «рейтинг A» во время соревнования и «рейтинг B» в финале. | public / private leaderboard | ступень 11 |
| ранбук (инструкция дежурного) Пошаговая инструкция для конкретного алерта: что проверить, как откатить, кого позвать. Пишется заранее, чтобы ночью не придумывать. | runbook | ступень 11 |
| распределение Стьюдента (t-распределение) Распределение среднего, нормированного на оценённое по выборке стандартное отклонение. При малом числе наблюдений у него тяжелее хвосты, чем у нормального: для 95%-интервала по 5 прогонам множитель 2.78 вместо 1.96. | Student's t-distribution | ступень 11 |
| редакционное расстояние (расстояние Левенштейна) Минимальное число вставок, удалений и замен символов, превращающих одну строку в другую. Считается динамическим программированием за O(n·m). Лежит в основе метрик WER и CER. | edit distance (Levenshtein distance) | ступень 11 |
| рекомендация сотрудника (реферал) Сотрудник компании передаёт ваше резюме рекрутеру или нанимающему менеджеру напрямую. Процесс собеседований не отменяет, но резюме точно прочитают. Рекомендовать стоит только того, чью работу видел: например, по совместному проекту или open source. | employee referral | ступень 11 |
| рефакторинг Изменение устройства кода без изменения его поведения. Безопасен только под защитой тестов. | refactoring | ступень 11 |
| руководство для участников (CONTRIBUTING) Файл с правилами для внешних авторов: как собрать проект, какие проверки стиля и тесты запустить, формат заголовка PR, подпись DCO или CLA, правила об ИИ-помощниках. Лежит в корне репозитория или в папке .github. | contributing guide, CONTRIBUTING.md | ступень 11 |
| сдвиг распределения Данные, на которых модель работает, распределены иначе, чем обучающие: сезонность, новые продукты, новые каналы. Поэтому валидацию делают «прошлое → будущее». | distribution shift | ступень 11 |
| скользящее окно Частный случай двух указателей: окно [left, right) расширяется вправо и сжимается слева, пока выполняется условие. Самая длинная подстрока без повторов — за O(n). | sliding window | ступень 11 |
| сложность по памяти Сколько дополнительной памяти нужно алгоритму в зависимости от размера входа. Перебор всех пар n объектов матрицей — O(n²) памяти: при n = 10⁶ это 10¹² ячеек. | space complexity | ступень 11 |
| смещение позиции в кликах Верхние позиции выдачи кликают чаще независимо от релевантности: их просто чаще видят. Клики без поправки на позицию учат модель повторять старый порядок. | position bias (in click logs) | ступень 11 |
| совокупная стоимость владения (TCO) Все расходы на решение за срок его жизни, а не только цена покупки или токенов: железо и его амортизация, электричество, место, люди на сопровождение, дежурства, оценка и переобучение, простои. | total cost of ownership | ступень 11 |
| согласие разметчиков Насколько независимые разметчики ставят одинаковые метки. Меряют каппой Коэна (два разметчика) и её обобщениями; низкое согласие — потолок для качества модели. | inter-annotator agreement | ступень 11 |
| сократический диалог (обучение вопросами) Наставник не сообщает ответ, а задаёт вопросы, по которым ученик приходит к нему сам: «что вернёт функция на пустом входе?», «какая форма у тензора после этой строки?». На этом построен «режим ментора» ИИ-помощников курса (homework/AGENTS.md). | Socratic method (Socratic questioning) | ступень 11 |
| соревнование по анализу данных Задача, данные и метрика заданы организатором, участники присылают предсказания для теста без меток, места определяет скрытая часть теста. Площадки — Kaggle, Tianchi (Alibaba) и другие. | data science competition | ступень 11 |
| состязательная валидация Проверка сдвига между train и test: склеить их, поставить метку «строка из теста?» и обучить классификатор. ROC-AUC около 0.5 — выборки неразличимы и локальной валидации можно верить; AUC около 1 — есть признак, который выдаёт тест (часто время), и валидацию нужно строить иначе. | adversarial validation | ступень 11 |
| средний обратный ранг (MRR) Среднее по запросам значение 1 / (позиция первого релевантного результата); 0, если релевантного нет. Подходит, когда пользователю нужен один правильный ответ — навигационный поиск, RAG. | mean reciprocal rank | ступень 11 |
| стажировка Работа на ограниченный срок, обычно для студентов и начинающих: реальные задачи под присмотром наставника. Отбор проще, чем на полную ставку, а хорошая стажировка часто заканчивается предложением о работе. | internship | ступень 11 |
| стек Структура «последним пришёл — первым ушёл» (LIFO). В Python — list с append и pop. Проверка скобок, обход в глубину без рекурсии. | stack | ступень 11 |
| тест Колмогорова — Смирнова Сравнивает два распределения числового признака без бинов. Статистика D — наибольшее расстояние между эмпирическими функциями распределения; p-value — по распределению Колмогорова. | Kolmogorov–Smirnov test | ступень 11 |
| тихий баг Ошибка, при которой программа не падает и не пишет предупреждений, но результат неверный — в ML это испорченные обучение или метрика. | silent bug | ступень 11 |
| точка безубыточности Объём нагрузки, при котором два варианта стоят одинаково, например свои GPU (постоянный расход) и API (плата за токены). Ниже точки дешевле API, выше — свои карты, пока им хватает мощности. | break-even point | ступень 11 |
| унаследованный код (legacy) Код, который достался от других людей или от прошлых версий проекта; авторов часто нет рядом, тестов мало. В китайском сленге — «цзучуань дайма» («код от предков»). | legacy code | ступень 11 |
| усталость от алертов Когда алерты часто срабатывают зря, люди перестают на них реагировать или отключают их — и пропускают настоящий инцидент. | alert fatigue | ступень 11 |
| утилизация (загрузка) GPU Доля времени, когда оплаченные карты делают полезную работу. Своя карта стоит одинаково и днём, и ночью, поэтому цена токена обратно пропорциональна средней загрузке: при 25% миллион токенов вчетверо дороже, чем при 100%. | GPU utilization | ступень 11 |
| учебный напарник Человек, с которым вы договорились регулярно отчитываться друг другу о занятиях: раз в неделю обменяться ссылками на коммиты, сделать ревью домашней работы, провести пробное собеседование. Учить можно разное — важен общий ритм и данное слово. | study buddy (accountability partner) | ступень 11 |
| учёт расходов по командам Распределение затрат общей платформы между командами-потребителями по их токенам или GPU-часам. Без него общий ресурс выглядит бесплатным и расходуется без меры. | chargeback (cost allocation) | ступень 11 |
| учёт экспериментов (трекинг) Система, которая для каждого прогона хранит конфиг, коммит, метрики по шагам и артефакты и позволяет искать и сравнивать прогоны: TensorBoard, MLflow, Weights & Biases, SwanLab или просто папки с JSON. Неучтённый эксперимент всё равно что не существует. | experiment tracking | ступень 11 |
| форк (копия репозитория) Ваша копия чужого репозитория на GitHub: в оригинал писать нельзя, в форк — можно. Из форка открывают pull request в исходный репозиторий. В китайской речи часто говорят просто «fork». | fork | ступень 11 |
| хакатон Короткое (обычно от суток до нескольких дней) соревнование команд, которые собирают работающий прототип; победителей выбирает жюри по демонстрации и защите, а не только по метрике. | hackathon | ступень 11 |
| холодный старт (в рекомендациях) Новый пользователь или товар без истории взаимодействий: коллаборативной фильтрации не на что опереться. Помогают признаки контента, популярное по сегменту, быстрые сессионные сигналы и слоты для исследования. | cold start | ступень 11 |
| четыре золотых сигнала Минимальный набор метрик сервиса из книги Google SRE: задержка (latency), трафик (traffic), ошибки (errors) и насыщение ресурсов (saturation). | four golden signals | ступень 11 |
| численная устойчивость Свойство вычисления не терять точность и не переполняться на больших и малых числах. Пример: exp(1000) = inf, поэтому в softmax сначала вычитают максимум. | numerical stability | ступень 11 |
| шум разметки Неверные метки в данных. Бывают даже в тестовых наборах известных бенчмарков (Northcutt и др., 2021). | label noise | ступень 11 |
| эвал-гейт Автоматическое условие выкатки новой модели или промпта: прогон эвал-набора и порогов качества, безопасности, задержки и цены. Не прошла — в продакшен не попадает. | evaluation gate (quality gate) | ступень 11 |
| эффект новизны В первые дни A/B-теста пользователи активнее реагируют на любое изменение просто потому, что оно новое; через неделю-две эффект может исчезнуть. Поэтому тесты ленты и поиска не останавливают в первый же день. | novelty effect | ступень 11 |
| CUSUM (кумулятивная сумма) Детектор сдвига: S = max(0, S + x − цель − k), тревога при S > h. Копит небольшие, но устойчивые отклонения, которые порог по каждой точке не видит. Предложен Пейджем в 1954 году. | cumulative sum control chart | ступень 11 |
| LLM-шлюз Единая точка входа ко всем моделям компании с API, совместимым с OpenAI: ключи и квоты команд, маршрутизация, кэш, учёт токенов и денег, логи, guardrails. Примеры с открытым кодом — LiteLLM, Higress, One API. | LLM gateway (AI gateway) | ступень 11 |
| ML coding (секция собеседования) Этап собеседования, где за 30–45 минут пишут кусок ML с нуля: softmax, attention, k-means, AUC. По-китайски такие задания называют «шоусы» — «разорвать руками», то есть написать без библиотек. | ML coding interview | ступень 11 |
| MLOps Практики и инфраструктура, которые доводят модель до продакшена и держат её там: конвейеры данных и обучения, версии моделей, CI/CD, сервинг, мониторинг, откат. MLOps-инженер отвечает за эту платформу, а не за качество конкретной модели. | MLOps (machine learning operations) | ступень 11 |
| NDCG (нормированный дисконтированный выигрыш) Метрика порядка выдачи со степенями релевантности: DCG@k = Σ rel_i / log2(i + 1), NDCG@k = DCG@k / DCG@k идеальной выдачи. От 0 до 1; ошибка наверху списка стоит дороже, чем внизу. | normalized discounted cumulative gain | ступень 11 |
| pull request (запрос на слияние) Предложение влить ветку с изменениями в основную; место, где идёт код-ревью и прогоняются автотесты. В GitLab называется merge request. | pull request, merge request | ступень 11 |
| research engineer (инженер-исследователь) Инженер в исследовательской команде: реализует и масштабирует идеи исследователей — большие запуски обучения, распределённые вычисления, воспроизведение статей, инфраструктура экспериментов. Пишет больше кода, чем исследователь, и меньше продуктового кода, чем ML-инженер. | research engineer | ступень 11 |
| SMART-цели (измеримые цели) Цель конкретная (Specific), измеримая (Measurable), достижимая (Achievable), значимая для вас (Relevant) и ограниченная сроком (Time-bound). «Разобраться в RAG» — не цель; «к 31 марта выложить RAG по документации vLLM с eval-набором на 50 вопросов и recall@5 не ниже 0.8» — цель. | SMART goals | ступень 11 |
| T-образный профиль навыков Горизонтальная черта буквы T — широкая база, общая для всех ролей (Python, теория ML, алгоритмы, инженерная культура), вертикальная — глубина в одном направлении (например, инференс или пост-трейнинг). Работодатели обычно ищут именно такую форму, а не «знаю всё понемногу». | T-shaped skills | ступень 11 |
| t-тест Уэлча (интервал Уэлча) Сравнение средних двух групп без предположения, что их дисперсии равны: SE = sqrt(s₁²/n₁ + s₂²/n₂), число степеней свободы — по формуле Уэлча — Саттертуэйта. Вариант по умолчанию для сравнения конфигураций по нескольким seed. | Welch's t-test | ступень 11 |
| upstream (исходный репозиторий) Оригинальный репозиторий проекта, от которого сделан форк. В локальной копии его обычно добавляют вторым remote с именем upstream (origin указывает на ваш форк) и забирают оттуда свежий main. | upstream repository | ступень 11 |
| «большой ком грязи» Система без различимой структуры: всё зависит от всего, правила размазаны и продублированы, любое изменение страшно. Название — из статьи Брайана Фута и Джозефа Йодера (1997). | Big Ball of Mud | программа DDD |
| «делать или купить» Решение для каждой части системы: писать самим, купить готовый сервис, взять открытое решение или отдать на аутсорс. В DDD его подсказывает тип поддомена. | build vs buy | программа DDD |
| автономный пузырь Развитие пузыря контекста (Эванс, 2013): у контекста своё хранилище, а предохранительный слой асинхронно синхронизирует данные со старой системой — ночным пакетом или событиями — с договорённостью о свежести. Работает, даже если старая система недоступна. | autonomous bubble | программа DDD |
| агрегат Кластер сущностей и объектов-значений, который меняется только целиком через корень и после каждой операции соблюдает свои инварианты. Граница агрегата — граница транзакции: одна транзакция меняет один агрегат. В онлайн-школе — поток с записями и листом ожидания. | aggregate | программа DDD |
| активная запись (Active Record) Шаблон из той же книги Фаулера (2002), что и единица работы: объект — это строка таблицы, он сам себя загружает и сохраняет (модели Django ORM, Ruby on Rails). Удобен для CRUD и вспомогательных поддоменов, но связывает модель с базой. | Active Record | программа DDD |
| анемичная модель предметной области Антишаблон, описанный Мартином Фаулером (2003): классы модели — мешки с данными без поведения, а все правила живут в сервисах. Выглядит как модель, но инварианты никто не защищает, правила дублируются. | anemic domain model | программа DDD |
| версионирование событий Как менять формат событий, которые уже лежат в журнале и которые нельзя переписать: добавлять необязательные поля со значением по умолчанию, вводить новый тип события, переводить старые версии в новую при чтении (upcasting). Грег Янг посвятил теме отдельную книгу «Versioning in an Event Sourced System». | event versioning | программа DDD |
| восстановление агрегата из хранилища Сборка уже существующего агрегата из сохранённых данных. В отличие от фабрики создания не проверяет правила рождения (поток мог давно стартовать) и не порождает событий — ничего не случилось, данные только прочитали. | reconstitution | программа DDD |
| временная связанность Зависимость, при которой операция удаётся, только если все участники работают в один и тот же момент: цепочка синхронных вызовов падает, если упало любое звено. Асинхронные сообщения ослабляют её. | temporal coupling | программа DDD |
| вспомогательный поддомен (supporting) Нужен бизнесу, но преимущества не даёт, и логика в нём простая. Делают просто (CRUD, готовые конструкторы) или отдают на аутсорс — под тестами основной команды. | supporting subdomain | программа DDD |
| выделение ядра (дистилляция) Раздел книги Эванса о том, как отделить основной поддомен от всего остального, чтобы он был виден и получал лучшие силы: вынести типовое, написать описание ядра, выделить ядро в коде и документах. | distillation | программа DDD |
| вышестоящий и нижестоящий контексты (upstream / downstream) Направление влияния между контекстами, как течение реки: изменения вышестоящего (upstream) отражаются на нижестоящем (downstream), а обратное неверно. Upstream может преуспеть независимо от судьбы downstream. | upstream / downstream | программа DDD |
| гексагональная архитектура Архитектура Алистера Кокберна (2005), второе название — «порты и адаптеры»: приложение в центре, внешний мир (пользователи, тесты, база, почта) подключается через порты и адаптеры. Шестиугольник — просто удобная картинка, число сторон не важно. | hexagonal architecture | программа DDD |
| глоссарий домена Живой документ рядом с кодом: термин единого языка, его имя в коде, определение, пример и запрещённые синонимы. Меняется в одном коммите с кодом. | domain glossary | программа DDD |
| горячая точка Стикер Event Storming (ярко-розовый, повёрнутый ромбом) для вопросов, конфликтов, противоречий в языке, болевых мест и всего, что решили обсудить позже. Фасилитатор ставит его вместо затянувшегося спора. | hotspot | программа DDD |
| граница согласованности Граница, внутри которой все правила выполняются немедленно и одной транзакцией. В DDD её проводят по агрегату: внутри — строгая согласованность, между агрегатами — согласованность в конечном счёте. | consistency boundary | программа DDD |
| доменное событие Значимый для экспертов факт, который уже произошёл, в прошедшем времени: «Студент записан», «Платёж получен». В Event Storming — оранжевый стикер, в коде — неизменяемый объект (урок DDD.3.3). | domain event | программа DDD |
| доменный сервис Операция предметной области без состояния, которая не принадлежит естественным образом ни одной сущности или объекту-значению; интерфейс выражен через элементы модели (Эванс). Пример — цена записи со скидками или перевод между счетами. Сначала правило пробуют поместить в агрегат, сервис — последнее средство. | domain service | программа DDD |
| доставка «как минимум один раз» Гарантия: сообщение не потеряется, но может прийти повторно. Другие режимы — «не более одного раза» (может потеряться, без повторов) и «ровно один раз» (между независимыми системами по сети недостижим; на практике его заменяют повторной доставкой и идемпотентным получателем). | at-least-once delivery | программа DDD |
| единица работы Шаблон из книги Мартина Фаулера «Patterns of Enterprise Application Architecture» (2002): отслеживает объекты, изменённые в одной бизнес-операции, и фиксирует их одной транзакцией — всё или ничего. В Python удобно оформляется контекстным менеджером; сессия SQLAlchemy уже реализует этот шаблон. | unit of work | программа DDD |
| единый язык Общий язык экспертов и разработчиков, построенный на модели, который используют везде: в разговорах, документах, именах классов и методов, событиях и тестах. Изменение языка — это изменение модели и кода. Встречаются переводы «вездесущий» и «повсеместный язык». | ubiquitous language | программа DDD |
| журнал аудита Неизменяемая запись того, кто, когда и от чьего имени что сделал в системе. Для ИИ-агента удобно вести его из доменных событий с пометкой исполнителя: журнал говорит на языке бизнеса («запись отменена, возврат 0 руб.»), а не на языке вызовов API. | audit log, audit trail | программа DDD |
| журнал событий агрегата (stream) Упорядоченная последовательность событий одного экземпляра агрегата; номер события в журнале — его версия. По-английски stream, обычно переводят «поток событий», но в программе DDD слово «поток» занято (Cohort), поэтому говорим «журнал событий потока». | event stream | программа DDD |
| заказчик–поставщик Шаблон карты контекстов: нижестоящая команда — заказчик, вышестоящая — поставщик; потребности заказчика входят в план поставщика, их обсуждают и закладывают в сроки. | Customer / Supplier Development | программа DDD |
| закон Конвея Наблюдение Мелвина Конвея (1968): организация проектирует системы, повторяющие структуру коммуникаций между её людьми и командами. Отсюда совет совмещать границы контекстов с границами команд. «Обратный манёвр Конвея» — сначала устроить команды так, как должна выглядеть система. | Conway's law | программа DDD |
| идемпотентный получатель Обработчик сообщений, для которого повторная доставка того же сообщения ничего не меняет. Обычно хранит журнал обработанных id в той же транзакции, что и изменения, или опирается на операции, которые естественно идемпотентны. | idempotent consumer | программа DDD |
| идентичность (сущности) То, что отличает сущность от любой другой, даже с теми же атрибутами, и сохраняется при всех её изменениях. В коде — идентификатор: UUID, номер по правилам бизнеса или ключ из базы. Модель получает его снаружи, чтобы тесты были предсказуемыми. | identity | программа DDD |
| инвариант Правило предметной области, которое должно выполняться всегда, после каждой завершённой операции: «записей, занимающих место, не больше вместимости потока». Настоящий инвариант защищают внутри одного агрегата; то, что может быть временно нарушено, — забота политик и согласованности в конечном счёте. | invariant | программа DDD |
| интеграционное событие Событие, которое контекст публикует для других контекстов: стабильный публичный контракт с версией, простыми типами и только нужными получателям полями. Доменные события внутри контекста могут меняться свободно, интеграционные — только с оглядкой на подписчиков. | integration event | программа DDD |
| канва ограниченного контекста Шаблон DDD Crew (CC BY 4.0) для проектирования и описания одного контекста на одном листе: название, назначение, стратегическая классификация, роли, входящие и исходящие сообщения, язык, бизнес-решения, допущения, метрики проверки и открытые вопросы. | Bounded Context Canvas | программа DDD |
| канва проектирования агрегата Шаблон DDD Crew на одном листе для обсуждения агрегата: название, описание, переходы состояний, инварианты и корректирующие политики, команды и события, пропускная способность (шанс конфликтов) и размер. Лицензия CC BY 4.0 (в README) / CC BY-SA 4.0 (файл LICENSE.md). | Aggregate Design Canvas | программа DDD |
| карта контекстов Схема и описание связей между ограниченными контекстами и командами: кто от кого зависит (upstream или downstream) и по какому шаблону отношений они взаимодействуют. Рисуют местность как есть, а не как хотелось бы. | context map | программа DDD |
| карта примеров Короткая встреча по одной истории (около 25 минут): карточки правил, примеров к каждому правилу и вопросов, на которые пока нет ответа. Технику предложил Мэтт Уинн из сообщества BDD. | Example Mapping | программа DDD |
| ключевое событие Одно из немногих самых важных событий процесса, после которого многое меняется и которое интересно многим участникам. Ключевые события делят стену Event Storming на части и подсказывают границы контекстов. | pivotal event | программа DDD |
| команда (в Event Storming) Намерение или решение что-то сделать: «Записаться на поток». Синий стикер. Её отдаёт актор или политика, итог — событие или отказ. | command | программа DDD |
| компенсирующее действие Новое действие, которое по смыслу отменяет результат уже завершённого шага саги: возврат денег вместо «отката» платежа, отмена записи вместо удаления. Прошлое не стирается — к нему добавляется новый факт. | compensating transaction | программа DDD |
| конформист Шаблон карты контекстов: нижестоящая команда без перевода принимает модель вышестоящей. Интеграция предельно проста, но чужая модель становится частью вашей. | Conformist | программа DDD |
| корень агрегата Единственная сущность агрегата, доступная снаружи: через её методы идут все изменения, на неё одну ссылаются другие объекты (по идентификатору). Корень отвечает за инварианты всего агрегата и не отдаёт наружу изменяемые внутренности. | aggregate root | программа DDD |
| корректирующая политика Термин канвы проектирования агрегата (DDD Crew): бизнес-логика, которая исправляет расхождения после того, как правило решили не делать инвариантом агрегата. Пример: платёж пришёл после автоматической отмены записи — вернуть деньги или восстановить запись. | corrective policy | программа DDD |
| луковая архитектура Вариант Джеффри Палермо (2008): модель предметной области в центре, вокруг слои сервисов и инфраструктуры, зависимости направлены к центру. По сути та же идея, что у гексагональной и чистой архитектуры. | onion architecture | программа DDD |
| менеджер процесса Объект со своим состоянием, который ведёт один экземпляр долгого процесса: получает события, решает, какую команду отправить дальше, следит за сроками. Шаблон из книги Грегора Хопа и Бобби Вулфа «Enterprise Integration Patterns». | process manager | программа DDD |
| микросервисы Архитектура из небольших независимо развёртываемых сервисов, каждый со своими данными, общающихся по сети. Даёт независимые релизы и масштабирование, но приносит сетевые сбои, согласованность в конечном счёте и сложную эксплуатацию. | microservices | программа DDD |
| модель предметной области Упрощённое и осознанно отобранное представление знаний о предметной области, нужное для конкретной задачи. В DDD модель живёт одновременно в словах команды, в документах и в коде. | domain model | программа DDD |
| модель чтения Данные, которые нужны человеку или программе, чтобы принять решение: «свободные места на потоках». В Event Storming — зелёный стикер; в CQRS — отдельная модель для чтения (урок DDD.4.1). | read model, query model | программа DDD |
| модульный монолит Одно развёртываемое приложение, разделённое на модули по ограниченным контекстам: у модуля публичный интерфейс и свои данные, чужие внутренности не импортируют. Границы дёшево передвигать; модуль можно позже вынести в отдельный сервис. | modular monolith | программа DDD |
| независимость модели от хранения Принцип: классы модели не знают, как и где их хранят, — не наследуют классы ORM, не импортируют драйвер базы. Отображение «объект ↔ строка» живёт в адаптере. | persistence ignorance | программа DDD |
| неизменяемость Свойство объекта, состояние которого нельзя изменить после создания: вместо правки создают новый объект. Обязательное свойство объектов-значений и доменных событий; в Python — @dataclass(frozen=True), кортежи вместо списков. | immutability | программа DDD |
| общедоступный язык Шаблон карты контекстов: хорошо документированный формат обмена, через который контексты переводят свои модели, например iCalendar или vCard. Часто сочетается со службой с открытым протоколом. | Published Language (PL) | программа DDD |
| общее ядро Шаблон карты контекстов: небольшая явно выделенная часть модели (и её код), которую две команды используют совместно и меняют только по договорённости. Держать маленьким и под общими тестами. | Shared Kernel | программа DDD |
| объект-значение Объект модели без собственной идентичности, который описывает характеристику: деньги, период, адрес почты. Неизменяем, равенство — по всем атрибутам, проверяет себя при создании, операции возвращают новое значение. В Python — обычно @dataclass(frozen=True). | value object | программа DDD |
| ограниченный контекст Явная граница, внутри которой одна модель предметной области и её единый язык однозначны и согласованы. За границей те же слова могут значить другое. Границу закрепляют командой, частью приложения, кодом и данными; перевод между контекстами делают явно. | bounded context | программа DDD |
| одержимость примитивами «Запах кода» из каталога книги «Рефакторинг» (Мартин Фаулер, Кент Бек): понятия предметной области хранят в str, int, float и словарях вместо маленьких классов. Правила проверки размазываются, значения путают местами и единицами. Лечится объектами-значениями. | primitive obsession | программа DDD |
| описание основного поддомена (domain vision statement) Короткий документ — около страницы — о том, что составляет ядро системы, какую ценность оно даёт бизнесу и что в ядро не входит. Шаблон Эванса из раздела о выделении ядра. | domain vision statement | программа DDD |
| оптимистическая блокировка Способ поймать параллельные изменения без блокировки на время работы: у агрегата есть номер версии, при сохранении хранилище сверяет его с текущим. Версия выросла — кто-то успел раньше, сохранение отклоняется (ConcurrencyError), команду повторяют на свежих данных. | optimistic locking, optimistic concurrency control | программа DDD |
| оркестрация Способ вести процесс между контекстами из одного места: оркестратор (часто менеджер процесса) отправляет команды участникам и реагирует на их ответы. Процесс виден целиком, но оркестратор знает обо всех участниках. | orchestration | программа DDD |
| основной поддомен (core) То, чем компания отличается от конкурентов и что даёт ей преимущество. Обычно сложен и часто меняется. Делают сами, лучшими людьми и с полным арсеналом DDD. | core subdomain, core domain | программа DDD |
| партнёрство Шаблон карты контекстов: две команды успешны или проваливаются только вместе, поэтому планируют разработку совместно и вместе развивают интерфейс между контекстами. | Partnership | программа DDD |
| переписывание с нуля («большой взрыв») Замена работающей системы новой, написанной целиком заново и включаемой одним переключением. Опасно: неявные правила старого кода теряются, цель движется, пользы нет до самого конца. Альтернатива — пузырь контекста и шаблон «душитель». | big bang rewrite | программа DDD |
| переработка знаний Термин Эванса: совместная работа разработчиков и экспертов, в которой из разговоров, примеров и черновых моделей выжимают то, что важно для задачи, и отбрасывают лишнее. | knowledge crunching | программа DDD |
| поддомен Часть предметной области со своими задачами, экспертами и словами: Набор, Оплата, Обучение. Поддомены описывают пространство задачи — их обнаруживают, изучая бизнес. | subdomain | программа DDD |
| политика (в Event Storming) Реакция «когда случилось X — делаем Y» между событием и командой: «Когда платёж получен — подтвердить запись». Сиреневый стикер. Бывает автоматической и ручной. | policy | программа DDD |
| порты и адаптеры Порт — интерфейс на границе приложения, выраженный его словами (CohortRepository, Clock); адаптер — реализация порта для конкретной технологии (SQLite, память, HTTP). Ведущие (driving) адаптеры вызывают приложение, ведомые (driven) вызываются им. | ports and adapters | программа DDD |
| потерянное обновление Ошибка параллельной работы: два запроса прочитали одну версию данных, оба изменили и сохранили — второй молча затёр изменения первого. Ловится оптимистической блокировкой по номеру версии. | lost update | программа DDD |
| предметная область (домен) Область деятельности, задачи которой решает программа: для онлайн-школы — набор студентов на потоки, обучение, оплата, сертификаты. Знания о ней — у экспертов, а не в коде. | domain | программа DDD |
| предметно-ориентированное проектирование (DDD) Подход Эрика Эванса (книга 2003 года): проектировать сложную систему вокруг модели предметной области, выработанной вместе с экспертами, говорить на едином языке и сосредоточить силы на основном поддомене. | Domain-Driven Design | программа DDD |
| предохранительный слой Шаблон карты контекстов: нижестоящий контекст ставит изолирующий слой, который переводит модель чужой системы в термины собственной модели (и обратно). Чужие поля, статусы и слова не проходят дальше слоя. Встречаются переводы «предохранительный уровень» и «антикоррупционный слой». | Anticorruption Layer (ACL) | программа DDD |
| прикладной сервис (сервис приложения) Точка входа для одного сценария использования: загрузить агрегат, вызвать доменный метод, сохранить, опубликовать события. Тонкий слой без бизнес-правил: знает о хранилище, часах и транзакциях только через порты. | application service | программа DDD |
| принцип инверсии зависимостей Буква D в SOLID Роберта Мартина: модули верхнего уровня (модель) не зависят от модулей нижнего уровня (база, почта) — оба зависят от абстракций, и абстракции принадлежат верхнему уровню. Основа гексагональной и чистой архитектуры. | dependency inversion principle (DIP) | программа DDD |
| проблема двойной записи Сохранить изменение в базе и отправить сообщение в брокер — две независимые операции; сбой между ними оставляет систему в противоречивом состоянии (запись подтверждена, а событие не ушло, или наоборот). Решается шаблоном outbox. | dual write problem | программа DDD |
| проекция Код, который читает события и строит из них модель чтения: таблицу «свободные места по потокам», «расписание студента». Проекцию можно удалить и перестроить заново, прогнав все события с начала. | projection | программа DDD |
| пузырь контекста Стратегия Эрика Эванса (2013): небольшой ограниченный контекст с новой чистой моделью, созданный под конкретную задачу и отгороженный от унаследованной системы предохранительным слоем. Своей базы обычно нет — данные берутся из старой через слой. | bubble context | программа DDD |
| разделение команд и запросов (CQS) Принцип Бертрана Мейера для отдельных методов и классов: метод либо меняет состояние (команда), либо отвечает на вопрос (запрос), но не то и другое сразу. Узнать, горит ли свет, можно, не щёлкая выключателем. | Command-Query Separation | программа DDD |
| разделение ответственности команд и запросов (CQRS) Идея, которую около 2010 года популяризировал Грег Янг: для изменения данных и для их чтения система держит разные модели. Запись идёт через агрегаты с инвариантами, чтение — через простые модели, удобные для экранов. Не требует ни отдельной базы, ни event sourcing. | Command Query Responsibility Segregation | программа DDD |
| раздельные пути Шаблон карты контекстов: интеграция стоит дороже пользы, поэтому контексты сознательно не связывают и решают задачу каждый по-своему, даже ценой дублирования. | Separate Ways | программа DDD |
| репозиторий (шаблон DDD) Иллюзия коллекции агрегатов в памяти: add, get, save — и никакого SQL снаружи. Один репозиторий на тип агрегата (не на таблицу); интерфейс-порт объявлен рядом с моделью, реализация-адаптер — в инфраструктуре. Не путать с git-репозиторием. | repository | программа DDD |
| сага Долгий процесс, разбитый на шаги — локальные транзакции в разных контекстах; если шаг невозможен, уже сделанное отменяют компенсирующими действиями. Идея — из статьи Гектора Гарсиа-Молины и Кеннета Салема «Sagas» (1987). | saga | программа DDD |
| свёртка списка (fold, reduce) Операция, которая проходит по списку и накапливает результат: начальное значение и функция «состояние + элемент → новое состояние». В Python — functools.reduce или обычный цикл. В event sourcing состояние агрегата — свёртка его событий. Не путать со свёрткой (convolution) в нейросетях. | fold, reduce | программа DDD |
| слоистая архитектура Код делится на слои с правилом «вызывать можно только нижние»: интерфейс, приложение, домен, инфраструктура (так у Эванса). Беда классического варианта — домен зависит от слоя базы данных, лежащего под ним. | layered architecture | программа DDD |
| служба с открытым протоколом Шаблон карты контекстов: вышестоящий контекст открывает для всех потребителей единый документированный протокол (например, публичный API) вместо отдельной интеграции под каждого. | Open Host Service (OHS) | программа DDD |
| снимок агрегата Сохранённое состояние агрегата на какой-то версии, чтобы не сворачивать весь длинный журнал: загрузка = снимок + хвост событий после него. Это только ускорение: снимок можно выбросить и пересчитать из событий. | snapshot | программа DDD |
| согласованность в конечном счёте Данные в разных местах (агрегат и модель чтения, два контекста) какое-то время расходятся, но без новых изменений сходятся к одному значению. Плата за независимость частей системы; бизнес обычно и так живёт с задержками и исправлениями. | eventual consistency | программа DDD |
| спецификация на примерах Способ описывать правила конкретными примерами с числами и ожидаемым результатом вместо общих фраз (книга Гойко Аджича, 2011). Примеры вскрывают неясности и затем становятся тестами. | specification by example | программа DDD |
| стратегическое проектирование Половина DDD о крупных решениях: на какие части делится предметная область, где проходят границы моделей, что здесь главное и как части связаны (поддомены, ограниченные контексты, карта контекстов). | strategic design | программа DDD |
| существенная сложность Сложность, присущая самой задаче (правила бизнеса), — её нельзя убрать, только выразить ясно. Противоположность — привнесённая (accidental) сложность от инструментов и неудачных решений. Различение — у Фреда Брукса («Серебряной пули нет», 1986). | essential complexity | программа DDD |
| сущность Объект модели, который определяется идентичностью, а не атрибутами, и живёт во времени: создаётся, меняет состояние, остаётся «тем же». В онлайн-школе — студент, поток, запись на поток, платёж. Сравнивают сущности по идентификатору. | entity | программа DDD |
| тактическое проектирование Половина DDD о коде внутри одной модели: сущности, объекты-значения, агрегаты, доменные события, сервисы, фабрики и репозитории. | tactical design | программа DDD |
| типовой поддомен (generic) Задача, которую все компании решают одинаково и для которой есть готовые решения: платежи, рассылки, вход в систему. Может быть сложной, но её покупают или берут готовой, а не изобретают. | generic subdomain | программа DDD |
| фабрика Шаблон DDD для сложного создания: собирает агрегат целиком и сразу корректным, проверяет правила рождения и выдаёт номера. Формы — фабричный метод корня (cohort.enroll создаёт запись), отдельная фабрика (Cohort.open) и восстановление из хранилища. | factory | программа DDD |
| фейк (рабочая подделка для тестов) Тестовый двойник с настоящим, но упрощённым поведением: репозиторий в словаре, часы с фиксированным временем. В отличие от мока не проверяет, какие методы вызвали, а просто работает. Чтобы фейк не врал, его прогоняют теми же контрактными тестами, что и настоящий адаптер. | fake | программа DDD |
| характеризационный тест (тест-фиксатор) Тест, который фиксирует фактическое поведение кода — то, что код делает сейчас, включая странности и ошибки, — а не то, что он должен делать. Пишется перед рефакторингом унаследованного кода; термин Майкла Физерса. | characterization test | программа DDD |
| хореография Способ вести процесс между контекстами без центра: каждый контекст подписан на события других и сам решает, что делать дальше. Мало связей, но процесс целиком не виден ни в одном месте кода. | choreography | программа DDD |
| хранилище событий База данных для event sourcing: хранит события агрегатов в журналах, которые можно только дописывать, и проверяет версию при записи (оптимистическая блокировка). Делается и поверх обычной реляционной базы, и специализированными системами. | event store | программа DDD |
| чистая архитектура Вариант Роберта Мартина (статья 2012 года, книга 2017): концентрические круги — сущности, сценарии использования, адаптеры интерфейсов, фреймворки и драйверы. Правило зависимостей: зависимости в исходном коде направлены только внутрь. | Clean Architecture | программа DDD |
| шаблон «душитель» (strangler fig) Постепенная замена старой системы: перед ней ставят перехватчик, функции по одной переносят в новый код и переключают на него запросы, старый код удаляют, когда им никто не пользуется. Назван Мартином Фаулером (2004) по фикусу-душителю, который обрастает дерево-хозяина. | Strangler Fig Application | программа DDD |
| шина сообщений Посредник, который принимает сообщения (команды и события) и передаёт их подписанным обработчикам. Бывает в памяти одного процесса и в виде отдельного брокера (RabbitMQ, Kafka и т. п.). | message bus | программа DDD |
| шов (в коде) По Майклу Физерсу — место, где можно изменить поведение программы, не редактируя код в этом месте: параметр, функция модуля, которую тест подменяет, объект, переданный снаружи. Через швы старый код запускают в тестах без базы, почты и платёжной системы. | seam | программа DDD |
| эксперт предметной области Человек, который глубоко знает бизнес-процессы и их правила: методист, менеджер набора, бухгалтер, опытный сотрудник поддержки. Необязательно начальник. | domain expert | программа DDD |
| CRUD (создать, прочитать, изменить, удалить) Приложение или его часть, которое в основном хранит и показывает данные: формы поверх таблиц, почти без бизнес-правил. Для такого кода тяжёлое DDD не нужно. | Create, Read, Update, Delete | программа DDD |
| event sourcing (состояние как журнал событий) Способ хранения: вместо текущего состояния агрегата сохраняют все его события по порядку, а состояние получают их свёрткой. Журнал только дописывают — прошлое не меняется. Даёт аудит и историю, но усложняет систему. Встречаются переводы «порождение событий» и «событийное хранение». | event sourcing | программа DDD |
| Event Storming («штурм событий») Метод совместного моделирования Альберто Брандолини: эксперты и разработчики выкладывают доменные события на длинной ленте вдоль времени, а потом добавляют команды, акторов, политики, системы и горячие точки. Форматы: Big Picture, Process Level, Design Level. | EventStorming | программа DDD |
| transactional outbox (исходящие сообщения в той же транзакции) Шаблон из каталога microservices.io Криса Ричардсона: события пишут в таблицу outbox в той же транзакции, что и изменение агрегата, а отдельный процесс-ретранслятор (relay) потом публикует их в брокер и помечает отправленными. Даёт доставку «как минимум один раз». | Transactional Outbox | программа DDD |
| архивирование изменения Завершение изменения в OpenSpec: дельты сливаются в openspec/specs/ (добавленные требования дописываются, изменённые заменяют старые, удалённые удаляются), а папка изменения переезжает в openspec/changes/archive/ГГГГ-ММ-ДД-имя/. Команда openspec archive делает это программно и детерминированно; /opsx:archive в чате сливает дельты силами агента. | archiving a change | программа SDD |
| архитектура, управляемая моделями (MDA) Вариант model-driven development, который консорциум OMG объявил в 2001 году: платформенно-независимая модель (PIM) автоматически преобразуется в платформенно-зависимую (PSM), а та — в код. Широко не прижился; выжила узкая генерация кода из формальных схем. | Model Driven Architecture | программа SDD |
| вайб-кодинг Выражение Андрея Карпатого (2025): писать программу в разговоре с ИИ — попросил, получил, поправил, — почти не вчитываясь в код и не фиксируя требований. Годится для прототипов, опасен для систем с правилами. | vibe coding | программа SDD |
| вертикальный срез Задача или этап, который проходит через все слои (модель, сервис, интерфейс, тесты) ради одной пользовательской истории и даёт работающий результат. Противоположность — горизонтальные этапы «сначала вся база, потом весь API». | vertical slice | программа SDD |
| владельцы кода (CODEOWNERS) Файл GitHub (в .github/, корне или docs/), который сопоставляет пути в репозитории с людьми и командами. Владельцев автоматически зовут на ревью изменений их путей; с защитой ветки их одобрение обязательно. Удобно для спецификаций: specs/enrollment/ — команде контекста Набор. | code owners, CODEOWNERS file | программа SDD |
| вне рамок (что не делаем) Раздел спецификации с тем, что сознательно не входит в задачу. Защищает от «полезных» дополнений агента и от споров на приёмке. | out of scope, non-goals | программа SDD |
| возможность (capability) в OpenSpec Устойчивая область поведения системы, у которой своя спецификация openspec/specs/имя/spec.md, например enrollment. Называют по поведению, а не по задаче: enrollment, а не add-waitlist. Предложение изменения перечисляет новые и изменяемые возможности. | capability | программа SDD |
| граф зависимостей задач Ориентированный граф: задачи — вершины, «зависит от» — рёбра. Порядок выполнения даёт топологическая сортировка; цикл в графе означает, что план невыполним и его надо перерезать. | task dependency graph | программа SDD |
| дельта спецификации Спецификация внутри предложения изменения, которая описывает только разницу с текущей: разделы ADDED, MODIFIED, REMOVED и RENAMED Requirements. MODIFIED содержит требование целиком в новой редакции — при архивировании оно заменяет старое полностью. | delta spec | программа SDD |
| доля убитых мутантов Отношение числа убитых мутантов к числу всех проверенных. В отличие от покрытия строк показывает не то, какой код выполнялся в тестах, а то, какие ошибки в нём тесты действительно поймают. | mutation score | программа SDD |
| дрейф спецификации и кода Постепенное расхождение спецификации и кода: срочную правку внесли только в код, агент принял решение, которого нет в документах, требование изменили, а реализацию нет. Ловится матрицей трассируемости, приёмочными тестами и ревью; лечится сведением. | spec drift | программа SDD |
| запись архитектурного решения (ADR) Короткий документ об одном значимом решении: статус, контекст, решение, последствия (шаблон Майкла Найгарда, 2011). Старые ADR не переписывают, а заменяют новыми; журнал ADR объясняет людям и агентам, почему система устроена именно так. | Architecture Decision Record | программа SDD |
| захват выдуманных имён пакетов (slopsquatting) Атака на цепочку поставок, о которой заговорили в 2025 году: языковые модели иногда предлагают правдоподобные, но несуществующие имена пакетов, а злоумышленник регистрирует такие имена в публичном реестре с вредоносным кодом. Родственник typosquatting — захвата имён с опечатками. | slopsquatting | программа SDD |
| ИИ-агент для кода Программа, в которой языковая модель в цикле читает и правит файлы проекта, запускает команды и тесты и сама решает, что делать дальше: Claude Code, GitHub Copilot, Cursor, Codex и др. | AI coding agent | программа SDD |
| исследование вариантов (research) Шаг планирования, на котором до проектирования снимают неизвестные: сравнивают библиотеки и подходы, проверяют ограничения. В Spec Kit итог пишется в research.md в виде «решение — обоснование — рассмотренные варианты». | technical research | программа SDD |
| исследовательский прототип (spike) Термин экстремального программирования: короткая задача, цель которой — знание, а не продукт (выдержит ли алгоритм нагрузку, как отвечает чужой API). Код спайка выбрасывают; спецификацию пишут по итогам, если идея выжила. | spike | программа SDD |
| ключевые слова RFC 2119 Слова из стандарта IETF RFC 2119 с закреплённой силой требования: MUST и SHALL — обязательно, SHOULD — желательно с исключениями, MAY — можно. Валидатор OpenSpec предупреждает, если в тексте требования нет SHALL или MUST, а в строгом режиме (--strict) не пропускает такое требование; поэтому эти слова оставляют английскими и в русских спецификациях. | RFC 2119 keywords (MUST, SHALL, SHOULD, MAY) | программа SDD |
| конституция проекта Термин Spec Kit: файл с неизменными принципами проекта (в Spec Kit — .specify/memory/constitution.md), по которым проверяются план, задачи и код: тесты сначала, простота, стандарты кода, запреты. Меняется редко, через явную поправку с номером версии. | project constitution | программа SDD |
| контекст агента Всё, что модель агента видит на текущем шаге: системный промпт, описания инструментов, файлы памяти проекта, переписка, прочитанные файлы, вывод команд. Чего нет в контексте, того для агента не существует. | agent context | программа SDD |
| контракт (интерфейса) Договорённость о том, на что может опираться другая сторона: входы и выходы с форматами, ошибки и побочные эффекты, гарантии (идемпотентность, порядок событий), версии и совместимость. Формы — сигнатуры функций, JSON Schema, OpenAPI; в Spec Kit — папка contracts/. | interface contract | программа SDD |
| контрольная точка качества (gate) Проверка, которую нужно пройти, прежде чем двигаться дальше: например, «Constitution Check» в плане Spec Kit до исследования и после проектирования. Нарушение либо исправляют, либо явно обосновывают. | quality gate | программа SDD |
| критерий приёмки Проверяемое условие, при котором требование или история считаются выполненными. Удобная форма — сценарий «Дано / Когда / Тогда» с конкретными данными: из него прямо пишется приёмочный тест. | acceptance criterion | программа SDD |
| ложное чувство контроля Уверенность, что раз всё подробно записано в спецификации, агент всё так и сделает. На деле агент может пропустить пункт, переосмыслить его, сделать лишнее, отметить задачу без работы или подогнать тест. Лечится только проверками вне модели: тестами из сценариев, хуками, CI и ревью диффа. | false sense of control | программа SDD |
| маркер неясности Пометка прямо в спецификации, что решение ещё не принято: в курсе — [УТОЧНИТЬ: вопрос], в Spec Kit — [NEEDS CLARIFICATION: …]. Запрещает агенту додумывать и собирает вопросы для эксперта. | clarification marker | программа SDD |
| матрица трассируемости Таблица «требование → сценарии → тесты» (иногда ещё задачи и код). Показывает требования без тестов, сценарии без тестов и тесты, которые ссылаются на несуществующие сценарии; из неё считают долю требований, покрытых тестами. | traceability matrix | программа SDD |
| модель данных Описание сущностей фичи: поля, связи, правила проверки из требований и переходы состояний. В Spec Kit — файл data-model.md. Это не схема таблиц базы, а словарь и инварианты, на которых строится код. | data model | программа SDD |
| модель сохранения спецификаций Договорённость команды о том, что делать с документами фичи, когда требования меняются. Документация Spec Kit называет три: flow-forward (готовая папка неизменна, новое — новой папкой), flow-back (править можно где угодно, потом сводить), living spec (сначала правят spec.md, план и задачи выводят заново). | spec persistence model | программа SDD |
| мутационное тестирование Проверка самих тестов: инструмент вносит в код маленькие искажения (мутанты) — >= на >, and на or, 48 на 49 — и запускает тесты. Тесты упали — мутант «убит»; прошли — «выжил», значит, такую ошибку тесты не заметят. Для Python — mutmut. | mutation testing | программа SDD |
| навык агента (skill) Папка с инструкцией (в Claude Code — файл SKILL.md) и, если нужно, скриптами и шаблонами. В контексте всегда лежит только короткое описание навыка, полный текст агент загружает, когда задача подходит. | agent skill | программа SDD |
| недетерминизм генерации Свойство языковых моделей: один и тот же промпт или спецификация при повторном запуске дают разный результат. Для SDD это значит, что проверять нужно каждый прогон агента, а то, что не должно «плавать» (интерфейсы, имена, исключения), — фиксировать в плане. | generation nondeterminism | программа SDD |
| нефункциональное требование Требование к свойствам системы, а не к её поведению: время ответа, доступность, безопасность, формат хранения данных. Записывается с измеримым порогом: не «быстро», а «95% запросов за 300 мс». | non-functional requirement | программа SDD |
| новый проект с нуля (greenfield) Разработка на пустом месте, без унаследованного кода и ограничений совместимости. SDD здесь проще всего: спецификация описывает систему целиком. | greenfield project | программа SDD |
| определение готовности (DoD) Общий для всех задач список условий, без которых работа не считается сделанной: тесты зелёные, линтер чист, документация и глоссарий обновлены, коммит ссылается на задачу. Понятие из Scrum; отличается от критериев приёмки, которые у каждого требования свои. | Definition of Done | программа SDD |
| параллельная волна задач Группа задач, которые не зависят друг от друга и все зависимости которых уже выполнены, — их можно отдать нескольким людям или агентам одновременно. В Spec Kit такие задачи помечают [P]. | parallel group, wave | программа SDD |
| пользовательская история Короткое описание потребности от лица пользователя: «Как <роль>, я хочу <действие>, чтобы <ценность>». Отвечает на вопросы «кто» и «зачем»; детали — в требованиях и сценариях. | user story | программа SDD |
| постепенная строгость Принцип из документации OpenSpec: по умолчанию — лёгкая спецификация (короткие требования о поведении, границы, несколько проверок), полная — только для рискованных изменений: между командами, в контрактах и API, миграциях, безопасности, там, где неясность обойдётся дорогой переделкой. | progressive rigor | программа SDD |
| предложение изменения В OpenSpec — одна доработка, оформленная папкой openspec/changes/имя/: proposal.md (зачем и что меняем), дельты спецификаций в specs/, design.md (как) и tasks.md (чек-лист). Сначала его согласуют, потом реализуют и архивируют. | change proposal (OpenSpec change) | программа SDD |
| приёмочный тест Автоматический тест, который проверяет поведение системы по критерию приёмки — обычно по сценарию «Дано / Когда / Тогда» с теми же данными. В курсе — один тест на сценарий, ID сценария в имени: test_sc_006_full_refund_exactly_7_days. | acceptance test | программа SDD |
| разбиение на задачи Превращение плана в список маленьких проверяемых задач с порядком и зависимостями. Хорошая задача — один небольшой дифф, понятный критерий готовности и ссылка на требования. В Spec Kit — файл tasks.md. | task breakdown | программа SDD |
| развитие существующей системы (brownfield) Работа в живом проекте с историей, пользователями и унаследованным кодом. Спецификации обычно пишут не на всю систему, а на то, что меняют сейчас; так устроен OpenSpec. | brownfield project | программа SDD |
| разработка на основе моделей (MDD) Подход, популярный в 1990–2000-х: систему описывают моделями (обычно UML), а код генерируют из них; известный вариант — Model Driven Architecture (MDA) консорциума OMG. Широко не прижился: модели оказались не проще кода, а генераторы — негибкими. | Model-Driven Development | программа SDD |
| разработка через поведение (BDD) Практика, которую предложил Дэн Норт в середине 2000-х: описывать поведение системы примерами «Дано / Когда / Тогда» на языке бизнеса и превращать их в автоматические тесты (инструмент Cucumber, язык Gherkin). | Behavior-Driven Development | программа SDD |
| разработка через спецификации (SDD) Подход к работе с ИИ-агентами для кода: сначала продумать задачу и записать её в спецификации (что и зачем, затем план и задачи), а код получать из них и проверять по ним. | Spec-Driven Development | программа SDD |
| разработка через тестирование (TDD) Практика Кента Бека: сначала падающий тест, потом минимальный код, чтобы он прошёл, потом рефакторинг («красный — зелёный — рефакторинг»). Тесты становятся исполняемой спецификацией. | Test-Driven Development | программа SDD |
| расширение Spec Kit Пакет дополнительных команд и хуков для Spec Kit, ставится командой specify extension add имя. Вместе со Spec Kit идут bug, assess, git, agent-context и github; расширения из каталога сообщества мейнтейнеры не ревьюят — их код нужно читать перед установкой. | Spec Kit extension | программа SDD |
| ревью спецификации Проверка спецификации людьми до кода, по ролям: эксперт предметной области — правила, числа и сценарии; техлид — план, интерфейсы и решения; владельцы соседних контекстов — контракты. Форму (ID, размытые слова, сценарии) лучше проверять скриптом, чтобы люди проверяли смысл. | specification review | программа SDD |
| режим планирования Режим агента, в котором он только читает код и предлагает план, ничего не меняя, пока человек план не одобрит. В Claude Code переключается сочетанием Shift+Tab; похожие режимы есть и у других агентов. | plan mode | программа SDD |
| сведение спецификации и кода Шаг, на котором код сверяют со спецификацией, планом и задачами и закрывают расхождения: недоделанное — новыми задачами, ошибки в документах — правкой документов. В Spec Kit это команда /speckit.converge: она только дописывает задачи в tasks.md, пока не сообщит «Converged». | convergence (converge) | программа SDD |
| сжатие контекста Когда окно почти заполнено, агент заменяет старую часть истории сводкой. Это освобождает место, но детали — числа, отвергнутые варианты, договорённости — могут пропасть; поэтому важное хранят в файлах. | context compaction | программа SDD |
| синхронизация модели и кода в обе стороны Попытка держать модель и сгенерированный из неё код согласованными при правках с обеих сторон. Главная боль model-driven development: ручные правки сгенерированного кода затирались следующей генерацией, а модель и код расходились. | round-trip engineering | программа SDD |
| сиротский тест Тест, который ссылается на сценарий или требование, которых в спецификации уже нет. Обычно признак дрейфа: спецификацию поменяли, а тест остался — или наоборот, код написали без спецификации. | orphan test | программа SDD |
| сканирование секретов Автоматический поиск ключей, паролей и токенов в файлах и истории git — на коммите (хук pre-commit) и в CI. Примеры: gitleaks, встроенное сканирование секретов GitHub. Нашли секрет в репозитории — ключ отзывают и заменяют: из истории git он уже мог утечь. | secret scanning | программа SDD |
| слэш-команда Команда, которую печатают в чате агента, начиная с косой черты: /speckit-plan, /opsx:propose. Агент находит соответствующий файл команды или навыка и выполняет записанную там инструкцию. Это не команда терминала. У разных агентов форма разная: в Codex вместо косой черты знак доллара. | slash command | программа SDD |
| сначала спецификация (spec-first) Первый уровень SDD по Биргитте Бёккелер: продуманную спецификацию пишут до кода и используют для текущей задачи. Что с ней будет после реализации, не оговаривается. | spec-first | программа SDD |
| спецификация Документ на естественном языке о том, что должна делать система и зачем: цель, требования, сценарии, границы. Описывает поведение, а не реализацию. В SDD — главный артефакт, из которого выводятся план, задачи и код. | specification (spec) | программа SDD |
| спецификация как исходник (spec-as-source) Третий уровень SDD по Бёккелер: человек правит только спецификацию, а код целиком генерируется из неё и вручную не редактируется. | spec-as-source | программа SDD |
| спецификация как якорь (spec-anchored) Второй уровень SDD по Бёккелер: спецификацию сохраняют после реализации и развивают вместе с функцией — изменения сначала вносятся в спецификацию, потом в код. | spec-anchored | программа SDD |
| сценарий «Дано / Когда / Тогда» Структура примера поведения: исходное состояние (Дано), действие или событие (Когда), ожидаемый результат (Тогда). Пришла из BDD; язык Gherkin инструмента Cucumber понимает и русские ключевые слова: Сценарий, Дано, Когда, Тогда, И, Но. | Given / When / Then (Gherkin) | программа SDD |
| технический план Документ о том, как реализовать спецификацию: архитектура и границы модулей, стек с обоснованием, модель данных, контракты, принятые решения и риски. В Spec Kit это plan.md, в OpenSpec — design.md. Спецификация отвечает на вопросы «что и зачем», план — на вопрос «как». | technical plan, implementation plan | программа SDD |
| трассируемость Возможность пройти по ссылкам от требования к сценарию, задаче, тесту и коду и обратно. Держится на идентификаторах (REQ-001, SC-001, T-001) и позволяет автоматически найти требования без задач и задачи без требований. | traceability | программа SDD |
| требование Одно проверяемое утверждение о том, что система должна делать (функциональное) или каким свойством обладать (нефункциональное). В спецификации у требования есть идентификатор, например REQ-001. | requirement | программа SDD |
| файл памяти проекта Markdown-файл в репозитории, который агент сам читает в начале каждой сессии: команды сборки и тестов, правила, глоссарий, где лежат спецификации. Claude Code читает CLAUDE.md; открытый формат AGENTS.md понимают многие агенты. | project memory file (CLAUDE.md, AGENTS.md) | программа SDD |
| хук агента Команда, которую среда агента запускает сама на определённом событии: после правки файла, перед действием, перед концом ответа. Работает независимо от памяти модели. В Claude Code хуки задают в .claude/settings.json; код выхода 2 блокирует действие и показывает агенту причину. | agent hook | программа SDD |
| чек-лист спецификации Список вопросов к качеству самих требований, а не к работе кода: полны ли они, однозначны, измеримы, согласованы. В документации Spec Kit их называют «юнит-тестами для ваших требований» (unit tests for your requirements); часть пунктов можно проверять скриптом. | specification checklist | программа SDD |
| Agent OS Открытый набор команд (buildermethods/agent-os, MIT) для стандартов кода: найти их в кодовой базе, проиндексировать и подставлять агенту по ситуации. С версии 3 (январь 2026) сам спецификации не пишет, а дополняет режим планирования агента командой shape-spec. | Agent OS (Builder Methods) | программа SDD |
| BMAD-METHOD Открытый метод и набор навыков (bmad-code-org/BMAD-METHOD, MIT): агенты-роли аналитика, продакт-менеджера, архитектора, UX-дизайнера и разработчика, документы бриф, PRD, архитектура, спецификация, тикеты. Объём планирования подбирается под размер работы. | BMad Method (Agile AI Driven Development) | программа SDD |
| cc-sdd Открытый набор навыков (gotalab/cc-sdd, MIT), повторяющий процесс Kiro в других агентах: steering, затем requirements.md в нотации EARS, design.md и tasks.md в .kiro/specs/имя/, затем автономная реализация с отдельным ревьюером на каждую задачу. | cc-sdd | программа SDD |
| EARS (шаблоны формулировок требований) Несколько шаблонов предложения для требования: «Система должна …», «Когда <событие>, система должна …», «Пока <состояние>, …», «Если <нежелательное событие>, то …». Предложены Алистером Мавином и соавторами (Rolls-Royce, 2009). | Easy Approach to Requirements Syntax | программа SDD |
| JSON Schema Словарь для описания и проверки структуры JSON-документов: обязательные поля, типы, допустимые значения, форматы. Подходит для контрактов событий и сообщений между контекстами; на нём же основаны схемы данных в OpenAPI 3.1. | JSON Schema | программа SDD |
| Kiro Платформа агентной разработки Amazon: среда разработки, CLI, веб и мобильный клиент. Режим спецификаций ведёт фичу через требования, дизайн и задачи; steering-файлы хранят правила проекта. Исходный код продукта закрыт; публичный репозиторий kirodotdev/Kiro — трекер ошибок и идей. | Kiro (AWS) | программа SDD |
| OpenAPI Открытый стандарт машиночитаемого описания HTTP API в YAML или JSON: пути, параметры, тела запросов и ответов, коды ошибок. По описанию строят документацию, клиентов, серверные заготовки и тесты. Развивается OpenAPI Initiative (Linux Foundation). | OpenAPI Specification (OAS) | программа SDD |
| OpenSpec Открытый инструмент SDD (Fission-AI/OpenSpec, MIT, CLI openspec на Node.js). Актуальные спецификации лежат в openspec/specs/, каждая доработка — папка в openspec/changes/ с предложением, дельтами требований, дизайном и задачами; при архивировании дельты сливаются в specs/. | OpenSpec | программа SDD |
| Spec Kit Открытый набор инструментов GitHub для SDD (github/spec-kit, MIT): CLI specify, шаблоны и скрипты в .specify/ и навыки агента speckit-* — конституция, specify, plan, tasks, implement, converge и проверки clarify, checklist, analyze. Каждая фича получает папку specs/00N-имя/. | GitHub Spec Kit | программа SDD |
| steering-файлы (управляющие документы проекта) Термин Kiro: markdown-файлы с постоянным контекстом проекта — назначение продукта, стек и соглашения, структура кода. Агент учитывает их в каждой задаче. В cc-sdd лежат в .kiro/steering/ (по умолчанию product.md, tech.md, structure.md). Близкий аналог — CLAUDE.md и AGENTS.md. | steering files | программа SDD |
| Tessl Компания и платформа для «обучения» агентов контекстом: CLI tessl, реестр спецификаций с документацией библиотек, «тайлы» — пакеты навыков, правил и документов. В 2025 году исследовала уровень spec-as-source (по статье Бёккелер); на октябрь 2026 у неё есть открытый тайл spec-driven-development (MIT). | Tessl | программа SDD |
Ничего не нашлось
Попробуйте другое слово: по-русски или по-английски.
Сленг китайского AI-сообщества
Эти слова постоянно встречаются на китайских площадках: в сообществе «Чжиху», в технических СМИ и в комментариях на Bilibili. Слова даны в русской транскрипции.
| Слово | Дословно | Значение |
|---|---|---|
| ляньдань | «выплавлять пилюлю бессмертия» (даосская алхимия) | обучать нейросеть, особенно подбирая гиперпараметры наугад. «Ляньдань-ши» («мастер алхимии») — так в шутку называют ML-инженера. |
| тяоцань | «подкручивать параметры» | подбор гиперпараметров. «Тяоцань-ся» («рыцарь подкрутки») — тот, кто только и делает, что крутит гиперпараметры. |
| бай мо дачжань | «война сотни моделей» | период 2023–2024 гг., когда в Китае десятки компаний одновременно выпускали свои LLM. |
| таокэ | «надеть оболочку» | выдавать чужую модель (или API) за свою, обернув её интерфейсом. |
| шуабан | «натирать рейтинг» | подгонять модель под бенчмарки ради места в лидерборде. |
| ця боцзы | «держать за горло» | критическая зависимость от чужих технологий (например, от GPU под экспортными ограничениями). |
| лоди | «приземлиться» | довести технологию до реального применения в продукте. |
| цзюань | «закручиваться» (от «нэйцзюань» — инволюция) | изматывающая конкуренция. Например, «ценовая война моделей очень цзюань» — очень жёсткая. |