AI 百科

Multimodal LLM Benchmark

AI 多模态评测基准指评估多模态大模型图像理解等能力的基准测试：全面细粒度维度，服务模型选型与研究，代表如 MMBench 等。

Model Context Protocol

Model Context Protocol（MCP）是连接 AI 模型与外部数据的标准化协议。它通过客户端-服务器架构，让应用以统一方式发现并调用工具、资源与提示模板。本文详解其工作原理、安全边界及选型建议，帮助开发者构建可扩展的 AI 集成系统。

Midjourney

Midjourney 是全球最流行的 AI 绘画工具之一，以美学质量与风格控制著称，主要通过 Discord 使用，支持文生图与图生图。

Machine Learning Operations

MLOps（机器学习运维）是把 DevOps 实践引入机器学习生命周期的工程方法论，覆盖数据准备、模型训练、评估、部署、监控与迭代的全流程自动化，解决「模型能训练但难上线、上线后难维护」的问题，是大模型时代 AI 工程化的关键。

Mixture of Experts

MoE（混合专家）是一种模型架构，将多个"专家"子网络组合，每次推理只激活其中一部分，兼顾大模型能力与推理成本。

Multi-Agent

多智能体是指多个 AI 智能体分工协作完成复杂任务的系统形态，各自承担不同角色，通过编排与协作共同达成目标。

Multi-Agent Collaboration

多智能体协作指多个 AI 角色分工完成复杂任务的技术：统筹、执行与验收角色配合，自动化处理长程任务，代表如 Mavis 等。

Multi-Agent System

多智能体系统是由多个 AI Agent 协同配合完成复杂任务的架构，通过角色分工、任务编排与相互协作，解决单个 Agent 难以独立完成的复合问题。

Multimodal AI

多模态 AI 指能同时理解和处理文本、图像、音频、视频等多种信息形态的 AI 技术，用统一模型完成跨模态的理解、生成与交互，代表如 GPT-4V、Gemini、豆包、通义千问等。

Multimodal Model

多模态模型指能同时处理文本、图像、音频、视频等多种输入形态的 AI 模型，如能看图回答、听懂语音、理解视频画面的模型，是当前 AI 技术的重要发展方向。

Machine Learning

机器学习（ML）是让计算机从数据中自动学习规律而非显式编程的学科，涵盖监督学习、无监督学习与强化学习，是人工智能的核心分支。

Model Alignment

模型对齐（Alignment）是指让 AI 模型的行为、输出与人类的意图、价值观和安全要求保持一致的技术与研究方向，典型方法包括 RLHF（基于人类反馈的强化学习）、DPO 直接偏好优化与宪法式对齐等。

Model Fine-tuning

模型微调（Fine-tuning）指在预训练大模型基础上，用特定领域数据继续训练，让模型适配专属任务与风格。相比提示工程，微调改变模型权重，效果更稳定但成本更高。

Model Distillation

模型蒸馏（Model Distillation）是一种模型压缩技术：用大模型（教师）的输出作为监督信号，训练一个更小的模型（学生）模仿其行为，让小模型以更低算力成本接近大模型的能力，典型应用如让开源小模型学习闭源大模型的回复风格。

Model Evaluation

模型评估是用基准测试与真实任务衡量大模型能力的过程，涉及准确率、推理、代码、多语言等维度，是选模型与优化应用的基础。

Model Routing

模型路由是指在多模型环境中按规则自动分配请求到最合适模型的技术，用于平衡质量、成本与可用性，常内置于大模型聚合平台。

Model Quantization

模型量化是把模型参数从高精度（如FP16）压缩到低精度（如INT8）的优化技术，显著降低显存占用与推理成本，是本地部署大模型的关键手段。

Mixture of Experts (MoE)

混合专家模型（MoE）是一种神经网络架构：将模型拆成多个"专家"子网络，每次输入只激活其中一部分，在扩大模型参数量的同时控制推理成本。

Mixture of Experts (MoE)

混合专家模型（MoE）是让多个专家子网络分工处理不同类型输入、再由门控网络动态路由的大模型架构，用更少计算量获得更大容量，是近年大模型提升能力与降低推理成本的关键技术。