कृत्रिम बुद्धिमत्ता शब्दावली

पाठ 1 – एआई का परिचय: सामान्य शब्द

कृत्रिम बुद्धिमत्ता (AI – Artificial Intelligence)

कंप्यूटर विज्ञान की वह शाखा जो ऐसी प्रणालियाँ बनाने से संबंधित है जो आमतौर पर मानवीय बुद्धि वाले कार्य करती हैं: सीखना, समझना, समस्या-समाधान और निर्णय लेना।

एल्गोरिदम (Algorithm)

किसी समस्या को हल करने या कार्य करने के लिए चरणों का एक निश्चित क्रम। एआई में: वे नियम और गणनाएँ जिनका मॉडल उपयोग करता है।

मॉडल (Model)

प्रशिक्षण के दौरान बनाई गई गणितीय/कम्प्यूटेशनल प्रतिनिधित्व, जिसका उपयोग नए डेटा पर भविष्यवाणी या अनुमान के लिए किया जाता है।

प्रशिक्षण (Training)

वह प्रक्रिया जिसमें एल्गोरिदम डेटा से सीखता है: यह पैरामीटर समायोजित करता है ताकि मॉडल दिए गए कार्य पर प्रदर्शन में सुधार करे।

अनुमान (Inference)

प्रशिक्षित मॉडल का उपयोग नए इनपुट के लिए भविष्यवाणी या उत्तर देने के लिए, बिना पैरामीटर अपडेट किए।

डेटा (Data)

वह जानकारी जिससे प्रणाली सीखती है या जिसे संसाधित करती है – पाठ, चित्र, संख्याएँ, उपयोगकर्ता इनपुट आदि।

पैरामीटर (Parameter)

वह मान जो मॉडल प्रशिक्षण के दौरान सीखता है (जैसे न्यूरल नेटवर्क में वज़न)। बड़े मॉडल में अरबों पैरामीटर होते हैं।

संकीर्ण एआई (Narrow AI)

एआई प्रणालियाँ जो एक कार्य या सीमित क्षेत्र में उत्कृष्ट हैं (चेहरा पहचान, अनुवाद, खेल) – AGI के विपरीत।

सामान्य कृत्रिम बुद्धिमत्ता (AGI – Artificial General Intelligence)

मानव-स्तरीय बुद्धिमत्ता – मानव की तरह विभिन्न कार्यों और क्षेत्रों में समझने, सीखने और प्रदर्शन करने की क्षमता।

अति-कृत्रिम बुद्धिमत्ता (ASI – Artificial Superintelligence)

सैद्धांतिक: हर प्रासंगिक क्षेत्र में मानवता से अधिक बुद्धिमान प्रणाली। आज अस्तित्व में नहीं है।

स्वचालन (Automation)

मानव हस्तक्षेप के बिना कार्य करना। एआई का उपयोग दोहराए जाने वाले प्रक्रियाओं को स्वचालित करने और सामग्री बनाने के लिए किया जाता है।

पाठ 2 – एआई का इतिहास

समयरेखा, तिथियाँ और ऐतिहासिक अवधारणाएँ (ट्यूरिंग परीक्षा, Dartmouth सम्मेलन, ट्यूरिंग मशीन आदि) कृत्रिम बुद्धिमत्ता का इतिहास पृष्ठ पर दिखाई देती हैं।

पाठ 3 – मशीन लर्निंग

मशीन लर्निंग (ML – Machine Learning)

एआई की वह शाखा जिसमें कंप्यूटर उदाहरणों और डेटा से सीखते हैं और प्रत्येक मामले के लिए स्पष्ट प्रोग्रामिंग के बिना प्रदर्शन में सुधार करते हैं।

पर्यवेक्षित सीख (Supervised Learning)

टैग के साथ लेबल किए गए उदाहरणों पर प्रशिक्षण: मॉडल इनपुट को वांछित आउटपुट से जोड़ना सीखता है।

अपर्यवेक्षित सीख (Unsupervised Learning)

बिना लेबल वाले डेटा पर प्रशिक्षण – लक्ष्य डेटा में पैटर्न, समूह या संरचना खोजना है।

प्रबलन सीख (RL – Reinforcement Learning)

पर्यावरण के साथ अंतःक्रिया के माध्यम से सीखना: एजेंट को पुरस्कार मिलते हैं और अपनी नीति में सुधार करता है।

लेबल (Label)

पर्यवेक्षित प्रशिक्षण में किसी उदाहरण से जुड़ा सही उत्तर या वर्गीकरण (जैसे चित्र के लिए "बिल्ली")।

विशेषता (Feature)

डेटा से निकाली गई विशेषता या माप जिसे मॉडल के इनपुट के रूप में उपयोग किया जाता है (रंग, आकार, शब्द आवृत्ति आदि)।

रिग्रेशन (Regression)

इनपुट विशेषताओं के आधार पर निरंतर संख्यात्मक मान (कीमत, तापमान, समय) की भविष्यवाणी करने का कार्य।

वर्गीकरण (Classification)

इनपुट को श्रेणियों के निश्चित समूह में से एक में असाइन करने का कार्य (स्पैम/स्पैम नहीं, जानवर का प्रकार आदि)।

क्लस्टरिंग (Clustering)

पूर्वनिर्धारित लेबल के बिना समान समूहों में वस्तुओं को समूहित करना – बिना पर्यवेक्षण सीखने की विशिष्ट विधि।

अति-अनुकूलन (Overfitting)

जब मॉडल प्रशिक्षण डेटा को "याद" कर लेता है और नए डेटा पर कम अच्छी तरह सामान्यीकरण करता है।

अपर्याप्त अनुकूलन (Underfitting)

जब मॉडल बहुत सरल होता है और डेटा में पैटर्न को अच्छी तरह कैप्चर नहीं करता।

क्रॉस-वैलिडेशन (Cross-Validation)

एक मूल्यांकन विधि: डेटा को भागों में विभाजित करें, कुछ पर प्रशिक्षण दें और बाकी पर परीक्षण करें, और परिणामों का औसत निकालें।

प्रशिक्षण डेटा (Training Data)

प्रशिक्षण के दौरान मॉडल के पैरामीटर अपडेट करने के लिए उपयोग किए जाने वाले उदाहरण।

परीक्षण डेटा (Test Data)

प्रशिक्षण में उपयोग नहीं किया गया अलग रखा गया डेटा, मॉडल प्रदर्शन का मूल्यांकन करने के लिए।

सीखने की दर (Learning Rate)

अनुकूलन में पैरामीटर अपडेट करते समय कदम का आकार। बहुत बड़ा – अस्थिरता; बहुत छोटा – धीमा प्रशिक्षण।

बैच (Batch)

प्रशिक्षण के दौरान एक पैरामीटर अपडेट में एक साथ संसाधित उदाहरणों का उपसमूह।

एपॉक (Epoch)

प्रशिक्षण के दौरान सभी प्रशिक्षण डेटा पर एक पास। प्रशिक्षण में आमतौर पर कई epoch शामिल होते हैं।

हानि फ़ंक्शन (Loss Function)

भविष्यवाणी सही मान से कितनी दूर है, इसका माप। अनुकूलन हानि को कम करने की कोशिश करता है।

बैकप्रोपगेशन (Backpropagation)

पैरामीटर के संबंध में हानि के ग्रेडिएंट की गणना करने का एल्गोरिदम, ताकि उन्हें ग्रेडिएंट डिसेंट द्वारा अपडेट किया जा सके।

ग्रेडिएंट (Gradient)

फ़ंक्शन में सबसे बड़े परिवर्तन की दिशा। प्रशिक्षण में – वह दिशा जिसमें पैरामीटर हानि कम करने के लिए अपडेट होते हैं।

ग्रेडिएंट डिसेंट (Gradient Descent)

एक अनुकूलन विधि: हानि कम करने के लिए ग्रेडिएंट के विपरीत दिशा में पैरामीटर अपडेट करें।

पाठ 3 – न्यूरल नेटवर्क और डीप लर्निंग

न्यूरल नेटवर्क (Neural Network)

नोड (न्यूरॉन्स) और परतों की संरचना जो जटिल फ़ंक्शन की गणना करती है। अधिकांश डीप लर्निंग मॉडल का आधार।

डीप लर्निंग (Deep Learning)

कई परतों वाले न्यूरल नेटवर्क का उपयोग करके मशीन लर्निंग; जटिल प्रतिनिधित्व और उन्नत कार्यों को सक्षम बनाता है।

कॉन्वोल्यूशनल न्यूरल नेटवर्क (CNN – Convolutional Neural Network)

चित्रों के लिए विशेष रूप से उपयुक्त नेटवर्क: स्थानीय पैटर्न का पता लगाने के लिए कन्वोल्यूशनल परतों का उपयोग करता है।

रिकरेंट न्यूरल नेटवर्क (RNN – Recurrent Neural Network)

आंतरिक मेमोरी का उपयोग करके अनुक्रम (पाठ, समय) को संभालने वाला नेटवर्क; LSTM और GRU सामान्य वेरिएंट हैं।

ट्रांसफ़ॉर्मर (Transformer)

ध्यान तंत्र पर आधारित वास्तुकला, बिना पुनरावृत्ति के। GPT, BERT और अधिकांश बड़े भाषा मॉडल का आधार।

ध्यान तंत्र (Attention Mechanism)

मॉडल को आउटपुट उत्पन्न करते समय इनपुट के प्रासंगिक भागों (जैसे पिछले शब्द) को "देखने" की अनुमति देता है।

सक्रियण फ़ंक्शन (Activation Function)

न्यूरॉन परत के बाद गैर-रैखिक फ़ंक्शन (ReLU, Sigmoid, Softmax) जो नेटवर्क को जटिल पैटर्न सीखने देता है।

ड्रॉपआउट (Dropout)

एक नियमितीकरण तकनीक: ओवरफ़िटिंग कम करने के लिए प्रशिक्षण के दौरान कुछ न्यूरॉन्स को यादृच्छिक रूप से "बंद" करें।

सामान्यीकरण (Normalization)

प्रशिक्षण स्थिरता और तेज़ अभिसरण के लिए मध्यवर्ती परत मानों का मानकीकरण (जैसे Layer Norm)।

प्रसार मॉडल (Diffusion Model)

चित्र (और वीडियो/ऑडियो) उत्पन्न करने का मॉडल: धीरे-धीरे शोर हटाना और शुरू से चित्र बनाना सीखता है।

जनरेटिव प्रतिकूल नेटवर्क (GAN – Generative Adversarial Network)

दो नेटवर्क: एक जेनरेटर उदाहरण बनाता है, और एक डिस्क्रिमिनेटर वास्तविक और नकली में अंतर करने की कोशिश करता है। वे प्रतिस्पर्धा करते हैं जब तक गुणवत्ता में सुधार न हो।

वेरिएशनल ऑटोएन्कोडर (VAE – Variational Autoencoder)

एक जेनरेटिव मॉडल जो इनपुट लेता है, इसे "लेटेंट स्पेस" में संपीड़ित करता है, फिर पुनर्निर्माण करता है; उत्पादन और संपीड़न दोनों के लिए अच्छा।

पाठ 4–5 – भाषा, पाठ और भाषा मॉडल

प्राकृतिक भाषा प्रसंस्करण (NLP – Natural Language Processing)

एआई की वह शाखा जो पाठ और मानव भाषा को समझने, विश्लेषण करने और उत्पन्न करने से संबंधित है।

प्राकृतिक भाषा समझ (NLU – Natural Language Understanding)

NLP का उप-क्षेत्र: लिखित या बोली गई भाषा में इरादे, भावना, संस्थाओं और संरचना की व्याख्या।

प्राकृतिक भाषा निर्माण (NLG – Natural Language Generation)

प्रणाली द्वारा नया पाठ उत्पन्न करना – उत्तर, सारांश, अनुवाद, विपणन आदि।

बड़ा भाषा मॉडल (LLM – Large Language Model)

एक बहुत बड़ा पाठ मॉडल (जैसे GPT-5, Claude, Gemini) जो विशाल मात्रा में पाठ पर प्रशिक्षित है, पूर्णता, प्रश्न-उत्तर और उत्पादन में सक्षम।

GPT – Generative Pre-trained Transformer

OpenAI के मॉडल श्रृंखला का नाम (GPT-3, GPT-4, GPT-5, GPT-5.2) – बड़े ट्रांसफ़ॉर्मर-आधारित भाषा मॉडल। 2026 तक प्रमुख GPT-5.2 है जिसमें अंतर्निहित तर्क है।

टोकन (Token)

पाठ की वह मूल इकाई जिसके साथ मॉडल काम करता है – शब्द, उप-शब्द या वर्ण। टोकनाइज़ेशन पाठ को टोकन में विभाजित करता है।

टोकनाइज़ेशन (Tokenization)

पाठ को इकाइयों (टोकन) में विभाजित करने की प्रक्रिया जिन्हें मॉडल इनपुट के रूप में प्राप्त करता है।

संदर्भ विंडो (Context Window)

टोकन की अधिकतम संख्या जिन पर मॉडल ध्यान दे सकता है – लंबा पाठ काटा या सारांशित किया जाता है।

एम्बेडिंग (Embedding)

शब्द, वाक्य या वस्तु का वेक्टर प्रतिनिधित्व (संख्याओं की सरणी) – ताकि समान अर्थ अंतरिक्ष में निकट हो।

वेक्टर (Vector)

संख्याओं की क्रमबद्ध सूची। एआई में एम्बेडिंग, विशेषताओं और मॉडल की आंतरिक स्थिति को दर्शाने के लिए उपयोग किया जाता है।

कोसाइन समानता (Cosine Similarity)

दो वेक्टर के बीच कोण से समानता का माप; एम्बेडिंग और सिमेंटिक खोज की तुलना के लिए सामान्य।

कुछ-उदाहरण सीख (Few-Shot Learning)

प्रॉम्प्ट में कुछ उदाहरण दिखाना ताकि मॉडल बिना आगे प्रशिक्षण के शैली या प्रारूप अपनाए।

शून्य-उदाहरण (Zero-Shot)

प्रॉम्प्ट में बिना उदाहरण के कार्य करना – केवल व्याख्या या निर्देश। बड़े भाषा मॉडल यह कर सकते हैं।

स्थानांतरण सीख (Transfer Learning)

एक कार्य पर प्रशिक्षित मॉडल को दूसरे कार्य के लिए प्रशिक्षण या अनुकूलन के प्रारंभिक बिंदु के रूप में उपयोग करना, आमतौर पर कम डेटा के साथ।

फ़ाइन-ट्यूनिंग (Fine-tuning)

विशिष्ट डेटा के साथ मौजूदा मॉडल पर आगे प्रशिक्षण, आमतौर पर कम लर्निंग रेट के साथ, कार्य या क्षेत्र के अनुकूलन के लिए।

आधार मॉडल (Base Model)

फ़ाइन-ट्यूनिंग या प्रॉम्प्ट के माध्यम से सीधे उपयोग से पहले व्यापक डेटा पर प्रशिक्षित सामान्य-उद्देश्य मॉडल।

भावना विश्लेषण (Sentiment Analysis)

पाठ में स्वर या भावना की पहचान – सकारात्मक, नकारात्मक, तटस्थ – अक्सर वर्गीकरण या स्कोरिंग के रूप में।

पाठ 4 – रोज़मर्रा की ज़िंदगी में एआई: चित्र, वीडियो और दृष्टि

कंप्यूटर विज़न (Computer Vision)

एआई का वह क्षेत्र जो चित्र और वीडियो को समझने से संबंधित है: वस्तु पहचान, सेगमेंटेशन, विवरण, OCR आदि।

छवि वर्गीकरण (Image Classification)

चित्र को दिए गए समूह से एक श्रेणी में असाइन करना (जैसे "कुत्ता," "कार")।

वस्तु पहचान (Object Detection)

चित्र में वस्तुओं का स्थान निर्धारित करना और प्रत्येक वस्तु के लिए स्थिति (बाउंडिंग बॉक्स) और वर्ग लौटाना।

विभाजन (Segmentation)

चित्र को क्षेत्रों में विभाजित करना – प्रत्येक पिक्सेल या क्षेत्र को एक वर्ग असाइन किया जाता है (व्यक्ति, पृष्ठभूमि, वाहन आदि)।

पाठ-से-छवि (Text-to-Image)

पाठ विवरण से चित्र उत्पन्न करना; उदाहरण: DALL-E, Midjourney, Stable Diffusion।

वीडियो निर्माण (Video Generation)

पाठ, चित्र या दोनों से एआई द्वारा वीडियो बनाना – जैसे Sora, Runway।

भाषण-से-पाठ (STT – Speech-to-Text)

बोली गई ऑडियो को लिखित पाठ में परिवर्तित करना।

पाठ-से-भाषण (TTS – Text-to-Speech)

पाठ को मानव जैसी आवाज़ में परिवर्तित करना – कथन, वॉयस असिस्टेंट, पहुँच।

बहु-माध्यम (Multimodal)

एक मॉडल या प्रणाली जो इनपुट/आउटपुट के कई प्रकार संभालती है: पाठ, चित्र, ऑडियो, वीडियो।

माध्यम (Modality)

जानकारी का प्रकार जिसे प्रणाली संसाधित करती है – पाठ, चित्र, ध्वनि, वीडियो – प्रत्येक एक अलग मोडैलिटी है।

पाठ 5–6 – प्रॉम्प्ट और उपकरण

प्रॉम्प्ट इंजीनियरिंग (Prompt Engineering)

सटीक और प्रासंगिक उत्तर प्राप्त करने के लिए एआई को निर्देश (प्रॉम्प्ट) तैयार करने की कला और कौशल।

प्रॉम्प्ट (Prompt)

वह पाठ जो उपयोगकर्ता मॉडल को देता है – प्रश्न, निर्देश या संदर्भ – जिसके आधार पर मॉडल अपना उत्तर देता है।

सिस्टम प्रॉम्प्ट (System Prompt)

एक आंतरिक निर्देश जो मॉडल की "भूमिका" या शैली निर्धारित करता है (जैसे "आप एक पेशेवर सहायक हैं")। आमतौर पर उपयोगकर्ता को नहीं दिखाया जाता।

विचार की श्रृंखला (CoT – Chain of Thought)

अंतिम उत्तर से पहले मॉडल को अपने तर्क चरणों की व्याख्या करने के लिए कहना – जटिल कार्यों पर सटीकता में सुधार करता है।

तापमान (Temperature)

भाषा मॉडल में एक पैरामीटर: उच्च – अधिक विविध/रचनात्मक उत्तर; निम्न – अधिक स्थिर और "सुरक्षित।"

Top-p / Nucleus Sampling

एक सैंपलिंग विधि: उन शब्दों में से चुनें जिनकी संचयी संभावना p तक है। उत्तरों की विविधता को प्रभावित करता है।

चैटबॉट (Chatbot)

उपयोगकर्ताओं के साथ स्वचालित संवाद प्रणाली – आमतौर पर भाषा मॉडल पर आधारित, जैसे ChatGPT।

एआई एजेंट (AI Agent)

एक प्रणाली जो लक्ष्य प्राप्त करती है, चरणों की योजना बनाती है, उपकरण (खोज, कोड, कैलकुलेटर) का उपयोग करती है, और जटिल कार्य करती है।

प्रॉम्प्ट इंजेक्शन (Prompt Injection)

दुर्भावनापूर्ण प्रॉम्प्ट का शोषण जो मॉडल को निर्देश अनदेखा करने या अवांछित कार्य करने की कोशिश करता है।

पुनर्प्राप्ति-संवर्धित निर्माण (RAG – Retrieval-Augmented Generation)

भंडार (दस्तावेज़, डेटाबेस) पर खोज को भाषा मॉडल के साथ जोड़ना – प्रासंगिक अंश प्राप्त करें और सटीकता और ताजगी में सुधार के लिए प्रॉम्प्ट में जोड़ें।

ज्ञान आधार (Knowledge Base)

जानकारी का संरचित भंडार (दस्तावेज़, प्रश्न-उत्तर, तथ्य) जिस पर एआई प्रणालियाँ भरोसा कर सकती हैं या खोज सकती हैं।

ज्ञान कटऑफ़ (Knowledge Cutoff)

वह तिथि जब तक मॉडल का प्रशिक्षण या ज्ञान अपडेट किया गया था – उसके बाद मॉडल नई घटनाओं को "नहीं जान" सकता।

भ्रम (Hallucination)

जब मॉडल ऐसी जानकारी उत्पन्न करता है जो विश्वसनीय लगती है लेकिन गलत या अस्तित्वहीन है – भाषा मॉडल उपयोग करते समय एक प्रमुख समस्या।

पाठ 7 – नैतिकता, सुरक्षा और प्रभाव

पूर्वाग्रह (Bias)

मॉडल या डेटा में व्यवस्थित प्रवृत्ति जो उपचार में अनुचित अंतर (लिंग, नस्ल, उम्र आदि) की ओर ले जाती है।

पारदर्शिता (Transparency)

वह डिग्री जिस तक हम जानते हैं कि प्रणाली कैसे काम करती है, कौन सा डेटा उपयोग करती है, और निर्णय कैसे लिए जाते हैं।

व्याख्यात्मकता (Explainability)

यह समझाने की क्षमता कि मॉडल ने किसी विशेष निष्कर्ष या निर्णय तक क्यों पहुँचा।

जवाबदेही (Accountability)

यह परिभाषित करना कि जब एआई प्रणाली गलती करती है या हानि पहुँचाती है तो कौन जिम्मेदार है – डेवलपर्स, ऑपरेटर, नियामक।

एआई सुरक्षा (AI Safety)

अनुसंधान और अभ्यास जिसका उद्देश्य एआई को इरादे के अनुसार व्यवहार करना सुनिश्चित करना और अनपेक्षित जोखिम और हानि कम करना है।

संरेखण (Alignment)

प्रणाली के लक्ष्यों को मानव मूल्यों और इच्छाओं के साथ संरेखित करना – खतरनाक या अवांछित व्यवहार रोकना।

डीपफ़ेक (Deepfake)

एआई द्वारा बनाई या संशोधित सामग्री (वीडियो/आवाज़/चित्र) जो प्रामाणिक दिखती है – धोखाधड़ी और छल के जोखिम लेकर आती है।

एआई-निर्मित सामग्री (AIGC – AI-Generated Content)

कोई भी सामग्री – पाठ, चित्र, वीडियो, आवाज़ – एआई उपकरणों से बनाई गई।

एआई पहचान (AI Detection)

यह पता लगाने के प्रयास कि पाठ या सामग्री एआई द्वारा उत्पन्न की गई थी या नहीं – उपकरण और विचार मौजूद हैं लेकिन हमेशा विश्वसनीय नहीं।

वॉटरमार्किंग (Watermarking)

एक छिपा या दृश्य मार्कर एम्बेड करना जो एआई-उत्पन्न सामग्री को चिह्नित या पहचानता है।

तकनीकी विलक्षणता (Technological Singularity)

एक काल्पनिक परिदृश्य जिसमें एआई इतनी तेज़ी से विकसित होती है कि मानवता के लिए इसके प्रभाव अप्रत्याशित हो जाते हैं।

स्वायत्तता (Autonomy)

वह डिग्री जिस तक प्रणाली स्वतंत्र रूप से कार्य करती है – हर चरण पर मानव हस्तक्षेप के बिना निर्णय और कार्य।

पाठ 8 – भविष्य और अधिक तकनीकें

भविष्यवाणी (Prediction)

नए इनपुट के लिए मॉडल द्वारा उत्पन्न अनुमान या पूर्वानुमान – मान, वर्ग, पाठ अनुक्रम आदि।

डेटा रिसाव (Data Leakage)

जब परीक्षण डेटा या भविष्य की जानकारी प्रशिक्षण चरण में "रिस" जाती है और प्रदर्शन का अवास्तविक अनुमान देती है।

मान्यता डेटा (Validation Data)

प्रशिक्षण के दौरान मॉडल, पैरामीटर या रुकने का चयन करने के लिए अलग रखा गया डेटा – अंतिम पैरामीटर अपडेट के लिए सीधे उपयोग नहीं।

अनुकूलन (Optimization)

इष्टतम मान (जैसे न्यूनतम हानि) प्राप्त करने वाले पैरामीटर या निर्णयों की खोज की प्रक्रिया – प्रशिक्षण में आमतौर पर ग्रेडिएंट-आधारित।

वेक्टर स्थान (Vector Space)

एक अंतरिक्ष जिसमें प्रत्येक वस्तु को वेक्टर के रूप में दर्शाया जाता है; तुलना, खोज और एम्बेडिंग के लिए उपयोग किया जाता है।

भूमिका अभिनय (Role Playing)

प्रॉम्प्ट में: मॉडल को किसी "चरित्र" या विशेषज्ञ (डॉक्टर, वकील, शिक्षक) के रूप में कार्य करने का निर्देश देना।

प्रतिबंध (Constraints)

निर्देशों में: उत्तर पर सीमाएँ – लंबाई, भाषा, शैली, क्या उल्लेख नहीं करना है आदि।

टोकन लागत (Token Cost)

मॉडल API में भेजे और/या उत्पन्न किए गए टोकन की संख्या के आधार पर शुल्क या उपयोग इकाइयाँ।

रोक अनुक्रम (Stop Sequence)

एक स्ट्रिंग जिसे मॉडल उत्पन्न करते समय, उत्पादन रोक देता है – जैसे पैराग्राफ का अंत या विशिष्ट प्रारूप।

सामग्री फ़िल्टरिंग (Content Filtering)

हानिकारक, अवैध या अनुचित सामग्री का पता लगाना और उपयोगकर्ता को दिखाने से पहले ब्लॉक या संशोधित करना।

API – Application Programming Interface

एक इंटरफ़ेस जो अन्य प्रोग्रामों को मॉडल (जैसे चैट, पूर्णता) को अनुरोध भेजने और उत्तर प्राप्त करने की अनुमति देता है।

ओपन-सोर्स मॉडल (Open-Source Model)

एक मॉडल जिसका कोड और/या वज़न जनता के लिए उपयोग, अनुसंधान और अनुकूलन के लिए उपलब्ध है।

स्वामित्व मॉडल (Proprietary Model)

एक कंपनी के स्वामित्व वाला मॉडल जो केवल कंपनी द्वारा प्रदान की गई सेवाओं और API के माध्यम से सुलभ है।

कम्प्यूट (Compute)

मॉडल को प्रशिक्षित या चलाने के लिए आवश्यक कम्प्यूटिंग संसाधन (प्रोसेसिंग इकाइयाँ, मेमोरी, समय)।

इरादा (Intent)

संवाद प्रणालियों में: उपयोगकर्ता जो इरादा या लक्ष्य प्राप्त करने की कोशिश कर रहा है (ऑर्डर, मरम्मत, सीखना आदि)।

वास्तविक समय (Real-Time)

डेटा प्राप्त होने के तुरंत बाद प्रतिक्रिया देने वाला प्रसंस्करण – चैट, भाषण पहचान, स्वायत्त वाहनों में महत्वपूर्ण।