参数(Parameters)
参数(Parameters)是什么？
参数是 AI 模型内部的数十亿个数值,编码了模型在训练中学到的全部内容。它们定义了模型的能力,而在训练过程中调整这些参数正是模型学习的方式。用户无法直接更改它们:训练完成后,参数即被固定。
一图看懂
- 别称
- 权重(特指连接数值)模型权重学习到的参数
- 主要用途
- 编码模型从训练数据中学到的全部内容决定模型的能力、风格与行为定义已训练 AI 模型的核心组成部分
- 常用工具
- All AI models and neural networksPyTorch and TensorFlow (training and parameter management)Hugging face model hub (parameter storage and sharing)
- 相关术语
- Neural networkTrainingFine-tuningModelWeightsCFG scaleInference
- How it works in simple terms
- 在训练过程中,模型的参数被调整数百万次,以最小化误差。训练完成后,它们被固定下来。当你使用模型生成图像或文本时,你的输入会穿过模型的架构,在每一层都被这些固定的参数数值所变换,直到产出一个输出。
- Where you encounter this
- 每个 AI 生成工具都构建在具有特定参数数量的模型之上。模型描述中常会标注参数数量(例如“7B 参数”“70B 参数”)作为规模的指标。在生成界面里,CFG scale、步数等可调设置有时也被口语化地称为“参数”。
准备好开始创作了吗？
执导场景、设计角色、完成整部影片
一站式 AI 创作平台，定价简单透明，无速度节流，搭配无限 Canvas，让创作发挥到极致。
对比与差异
Compared with related concepts
模型参数与生成参数(也称推理参数或采样参数)经常被混为一谈,但在技术上有明确区别。模型参数是固定的、学习得来的内部数值,定义了模型能做什么:它们就是模型本身,用户无法更改。生成参数是用户可调的设置,用于控制模型的固定能力如何被应用到具体的生成请求上:它们塑造输出,但不改变底层模型。更改生成参数会改变模型的表现方式;更改模型参数(通过微调或重新训练)会改变模型能做什么。
可以这样理解…
AI 模型中的参数就像专家大脑中积累的知识:经由多年学习与经验形成,以连他们自己都无法完全清晰表述的方式,编码了他们对所在领域的全部认识。当有人提问时,这份深层的、被编码的知识塑造了他们的回答。问题本身(提示词)是即时输入;积累的知识(参数)则负责把这个输入转化为有意义的回应。
实用提示
在为某个生成任务挑选不同模型时,参数数量是有用的背景信息,但不应作为首要的选择标准。在特定任务上,训练良好的 7B 参数模型往往胜过训练欠佳的 70B 模型。请首先关注模型在你目标领域中已展现的实际输出:它在什么数据上训练、能产出什么风格与质量水平,而不是它的原始参数数量。参数数量是容量的指标,而非质量的保证。
类型与变体
权重是定义神经元之间连接强度的参数:在大多数网络中,它是数量最多的一类参数。偏置是在每个神经元处额外加入的参数,它独立于输入对激活函数进行平移,从而提供额外的灵活性。超参数是定义训练过程本身的设置(学习率、批大小、训练轮数),而非模型学习到的数值;它们在训练开始之前就被设定,而不是从数据中学习得到。生成参数(CFG scale、步数、种子、采样器)是用户可访问的设置,用于控制已训练模型如何被应用到具体的生成任务上,与模型内部学习到的参数有所区别。
准备好在 Morphic 里做第一个场景了吗？
试用 Morphic常见使用场景
理解模型参数在以下场景中很有用:按规模比较模型时(同一系列中的 70B 参数模型与 7B 模型);评估微调模型时(它们以预训练模型的参数为起点,并针对特定领域进一步调整);考虑运行模型的算力需求时(参数数量越大,所需的内存与计算越多);解读不同模型版本之间的生成质量差异时;以及调整生成参数(CFG scale、步数等)以控制模型学习到的参数如何被应用以产出特定输出时。
准备好开始创作了吗？
执导场景、设计角色、完成整部影片
一站式 AI 创作平台，定价简单透明，无速度节流，搭配无限 Canvas，让创作发挥到极致。
