评测基准（Benchmark） Benchmark

标准化测试集，用来横向比较模型能力（MMLU、GPQA、SWE-bench 等）。两个提醒：分数存在被针对性优化的空间，榜单排名也不等于你的业务表现。

相关术语

大语言模型（LLM）

用海量文本训练出来的超大规模神经网络，通过预测“下一个词”学会语言、知识与推理，ChatGPT、Claude、Gemini 背后都是 LLM。

Token（词元）微调（Fine-tuning）RLHF（人类反馈强化学习）

合成数据（Synthetic Data）

由模型生成的训练或评测数据，用于补足真实数据稀缺、隐私受限或标注昂贵的场景。主流做法是合成 + 少量人工校验，但要防止把模型自身偏见放大。

微调（Fine-tuning）评测基准（Benchmark）知识蒸馏（Distillation）

推理模型（Reasoning Model）

回答前先展开一段较长的内部思考再给结论的模型（OpenAI o 系列、DeepSeek-R 系列等）。数学、代码与多步规划明显更强，代价是更慢、更贵。

思维链（Chain-of-Thought）大语言模型（LLM）推理（Inference）