模型剪枝是一种通过识别并移除神经网络中冗余或贡献较小的参数（如权重、神经元或整个层），从而减小模型大小、降低计算复杂度并提升推理速度的技术，同时力求保持模型原有性能。

模型蒸馏是一种将大型、复杂模型（教师模型）的知识迁移到小型、高效模型（学生模型）中的技术。其核心在于让学生模型模仿教师模型的输出行为或中间特征，从而在保持较高性能的同时，大幅降低模型的计算开销和部署成本。

量化是一种通过降低神经网络模型中数值的表示精度（如从32位浮点数转换为8位整数），来显著减小模型体积、提升推理速度并降低功耗的技术。它是AI模型部署到手机、边缘设备等资源受限环境的关键步骤。

低秩适配是一种参数高效的微调方法，通过在预训练大模型的权重矩阵中插入可训练的低秩分解矩阵，实现用极少量新参数（通常不到原模型的1%）来适配下游任务，极大降低了微调成本和门槛。

参数高效微调是一种针对大型预训练模型的高效微调技术，其核心思想是在保持预训练模型主体参数“冻结”不变的前提下，仅引入和训练一小部分额外的参数或模块，从而让大模型快速适应下游特定任务。这种方法极大地降低了计算成本、存储开销和训练时间，是推动大模型落地应用的关键技术之一。

人类反馈强化学习是一种通过收集人类对AI输出的偏好或评分，来训练和优化AI模型行为的方法。它让AI不仅能完成任务，更能以符合人类价值观和期望的方式完成任务，是当前大语言模型对齐和优化的核心技术。

监督微调（SFT）是AI模型开发中的关键环节，指在通用大模型预训练完成后，使用高质量、有标注的任务特定数据对其进行进一步训练，使其适应具体下游任务（如对话、编程、分析）的过程。

微调是一种利用特定领域数据对预训练大模型进行针对性再训练的技术，旨在提升模型在特定任务上的性能与适应性，是实现AI应用落地的核心环节。

上下文窗口是大型语言模型（LLM）在单次处理时能够“看到”和参考的文本信息总量。它就像模型的“工作记忆区”，决定了AI能记住多长的对话历史、理解多复杂的文档，是影响模型实际应用效果的核心参数。

向量数据库是一种专门为存储和检索高维向量数据而设计的数据库。它通过将文本、图像、音视频等非结构化数据转化为数学向量（即一组数字），并计算向量间的“距离”来衡量相似性，从而实现高效的相似性搜索。它是构建AI应用，如智能问答、推荐系统和内容检索的核心基础设施。