负责任的人工智能（Responsible AI）是一套指导AI系统设计、开发与部署的原则与框架，旨在确保AI对人类有益、尊重隐私、杜绝偏见、可解释且可控。它不仅是道德要求，更是企业规避风险、赢得用户信任的关键策略。

AI治理是指通过政策法规、技术标准、伦理准则等手段，对人工智能的研发、应用和影响进行规范与引导，确保其安全、公平、透明且符合人类利益。

模型治理是指对人工智能模型从开发、部署到运行全生命周期进行规范管理的方法体系，旨在确保模型的安全性、公平性、透明性和合规性，是AI走向大规模应用的重要保障。

数据治理是一套管理数据资产、确保数据质量与安全、提升数据价值的规则与流程，核心是让企业数据变得可信、可用、可控。

数据策展是对原始数据进行筛选、清洗、标注、整合和持续维护的系统化过程，旨在提升数据的可用性、可发现性和长期价值。它帮助企业和研究机构从海量低质数据中提炼出高质量数据集，降低AI模型训练成本，是数据治理与数据科学之间的桥梁。

合成评测集是由人工规则或程序自动生成的测试数据，专门用于评估AI模型在特定任务上的表现。它填补了真实场景数据的稀缺和偏见问题，帮助开发者快速定位模型短板，是当前大模型能力对齐与安全检测的核心工具。

自动评测集是指基于预设指标和自动化流程，对AI模型输出进行评估的数据集合。它替代人工打分，实现快速、可复现的模型性能评估，广泛应用于大模型训练、对比测试和产品上线前的质量把控。

多跳问答要求模型在多个信息片段之间进行链式推理，是衡量大模型复杂推理能力的关键任务，广泛应用于知识图谱和检索增强场景。