F

Feature

• 分类: 数据与表示
• 常见说法: 数据集中的一列。
• 实际含义: 数据中一个可单独度量的属性。在经典机器学习中，特征由人工设计；在深度学习中，网络会从原始数据自动学习特征。
• 常见混淆: 一个存储列可能包含多个有用特征，而学习到的表示也可能包含没有简单人工标签的特征。
• 相关术语: Embedding, Latent Space, Inductive Bias

Few-Shot

• 分类: Prompt 与上下文
• 常见说法: 在 prompt 中给模型几个示例。
• 实际含义: 一种 in-context learning：在目标输入之前提供少量演示，让模型推断所需任务、格式或决策边界。
• 为什么重要: 示例的质量和覆盖度比固定的示例数量更重要。差劲或相互矛盾的演示会降低可靠性。
• 相关术语: Zero-Shot, In-Context Learning, Prompt Engineering, Context Window

Fine-tuning

• 分类: 数学与训练
• 常见说法: 用你的数据训练模型。
• 实际含义: 从预训练参数继续训练，使用范围更窄的数据集或目标。根据方法不同，可以更新所有参数、选定参数或新增的 adapter 参数。
• 为什么重要: Fine-tuning 能适应行为、风格、格式或任务表现，但当事实必须保持最新且可追溯时，它不能可靠地替代检索。
• 常见混淆: Fine-tuning 能影响模型编码的知识，但并不是把记录简单追加到模型内部一个可搜索的数据库中。
• 学习课程: 微调与 LoRA
• 相关术语: SFT (Supervised Fine-Tuning), LoRA (Low-Rank Adaptation), QLoRA, RAG (Retrieval-Augmented Generation)

Flaky Test

• 分类: AI-native 开发
• 实际含义: 在代码或预期测试环境没有相关变化的情况下，同等运行之间仍可能通过或失败的测试。
• 为什么重要: 不稳定性会削弱验证关卡，还会让人或 agent 学会忽略真实失败，或不停重试直到得到一次假阳性。
• 实际使用: 保留失败时的随机种子和环境，只在明确负责人和截止日期的前提下隔离用例，然后修复未受控的时间、并发、网络、顺序或共享状态依赖。
• 常见混淆: 一个能稳定暴露间歇性产品 bug 的测试很有价值，并不一定就是 flaky test。
• 相关术语: Regression Test, Test Oracle, Retry with Backoff, Verification Gate
• 来源: De-Flake Your Tests

FlashAttention

• 分类: 基础设施与服务
• 实际含义: 一种精确的 attention 算法，通过分块计算减少 accelerator 各级内存之间的数据传输，并避免在高带宽内存中完整实体化 attention 矩阵。
• 为什么重要: attention 的瓶颈常在内存搬运而非算术运算，特别是面对长序列；因此 IO 感知 kernel 能提升实际速度和内存效率。
• 实际使用: 使用模型形状、mask、dtype 和硬件都支持的 kernel，验证数值容差，并进行端到端延迟基准测试，而不是把论文结果当作固定倍率引用。
• 常见混淆: FlashAttention 改变的是 attention 的计算方式，不是其目标数学结果；它与 KV cache 和量化是不同概念。
• 学习课程: KV Cache 与 Flash Attention
• 相关术语: Attention, Self-Attention, KV Cache, Mixed Precision
• 来源: FlashAttention

Function Calling

• 分类: Agent 与工具
• 常见说法: 模型在使用工具。
• 实际含义: 一种 provider 或应用接口，模型通过它发出结构化请求，指定工具名称及其参数。应用代码校验请求、执行操作，并可将结果返回给下一步模型调用。
• 常见混淆: 模型提出 function call 请求；是否执行及如何执行由你的可信代码决定。仅有 function calling 还不构成完整的 agent。
• 学习课程: Function Calling
• 相关术语: Structured Output, Tool Contract, Agent, MCP (Model Context Protocol)