---
title: Глоссарий
url: https://platform.claude.com/docs/ru/about-claude/glossary
description: Эти понятия не являются уникальными для Claude. На этой странице кратко описаны ключевые термины.
---

## Контекстное окно

«Context window» (контекстное окно) — это объём текста, к которому языковая модель может обращаться и на который может ссылаться при генерации нового текста. Оно отличается от большого корпуса данных, на котором обучалась языковая модель, и представляет собой своего рода «рабочую память» модели. Большее контекстное окно позволяет модели обрабатывать более сложные и длинные подсказки и отвечать на них, тогда как меньшее контекстное окно может ограничивать способность модели работать с длинными подсказками или сохранять связность в ходе продолжительных диалогов.

Подробнее см. в [руководстве по контекстным окнам](https://platform.claude.com/docs/ru/build-with-claude/context-windows).

## Дообучение (fine-tuning)

«Fine-tuning» (дообучение) — это процесс дополнительного обучения предобученной языковой модели на дополнительных данных. В результате модель начинает воспроизводить и имитировать закономерности и характеристики набора данных для дообучения. Claude — это не «голая» языковая модель; он уже дообучен, чтобы быть полезным ассистентом. Claude API в настоящее время не предлагает дообучение, но если вы заинтересованы в изучении этой возможности, обратитесь к вашему контактному лицу в Anthropic. Дообучение может быть полезно для адаптации языковой модели к конкретной предметной области, задаче или стилю письма, однако оно требует тщательного подхода к данным для дообучения и учёта потенциального влияния на производительность и предвзятость модели.

## HHH

HHH («helpful, honest, harmless» — полезный, честный, безвредный) — это исследовательская концепция, определяющая, как Claude обучается приносить пользу обществу. Она отличается от продуктового слогана Claude — «ИИ-ассистент для жизни и работы».

* **Полезный** ИИ будет стараться выполнить задачу или ответить на поставленный вопрос в меру своих возможностей, предоставляя релевантную и полезную информацию.
* **Честный** ИИ будет давать точную информацию, не галлюцинируя и не выдумывая. При необходимости он будет признавать свои ограничения и неопределённость.
* **Безвредный** ИИ не будет оскорбительным или дискриминационным, а при просьбе помочь в опасном или неэтичном действии должен вежливо отказаться и объяснить, почему он не может выполнить просьбу.

## Задержка (latency)

«Latency» (задержка) в контексте генеративного ИИ и больших языковых моделей — это время, которое требуется модели для ответа на заданную подсказку. Это промежуток между отправкой подсказки и получением сгенерированного результата. Меньшая задержка означает более быстрое время отклика, что критически важно для приложений реального времени, чат-ботов и интерактивных сценариев. На задержку могут влиять такие факторы, как размер модели, возможности оборудования, состояние сети, а также сложность подсказки и генерируемого ответа.

## LLM

«Large language models» (большие языковые модели), или LLM, — это языковые модели ИИ с большим количеством параметров, способные выполнять множество удивительно полезных задач. Эти модели обучаются на огромных объёмах текстовых данных и могут генерировать текст, похожий на человеческий, отвечать на вопросы, обобщать информацию и многое другое. Claude, ИИ-ассистент для жизни и работы, созданный Anthropic, основан на большой языковой модели, которая была дообучена и обучена с использованием RLHF.

## MCP (Model Context Protocol)

Model Context Protocol, или MCP, — это открытый протокол, стандартизирующий способ, которым приложения предоставляют контекст LLM. Подобно порту USB-C для ИИ-приложений, MCP обеспечивает унифицированный способ подключения моделей ИИ к различным источникам данных и инструментам. MCP позволяет системам ИИ поддерживать согласованный контекст между взаимодействиями и получать доступ к внешним ресурсам стандартизированным образом. Подробнее см. в [документации MCP](https://modelcontextprotocol.io/).

## Коннектор MCP

«MCP connector» (коннектор MCP) — это функция, позволяющая пользователям API подключаться к серверам MCP напрямую из Messages API без создания клиента MCP. Это обеспечивает бесшовную интеграцию с MCP-совместимыми инструментами и сервисами через Claude API. Коннектор MCP поддерживает такие возможности, как вызов инструментов, и доступен в бета-версии. Подробнее см. в документации по [коннектору MCP](https://platform.claude.com/docs/ru/agents-and-tools/mcp-connector).

## Предобучение (pretraining)

«Pretraining» (предобучение) — это начальный процесс обучения языковых моделей на большом неразмеченном корпусе текста. В случае Claude авторегрессионные языковые модели (такие как базовая модель Claude) предобучаются предсказывать следующее слово с учётом предшествующего контекста текста в документе. Эти предобученные модели сами по себе не слишком хорошо отвечают на вопросы или следуют инструкциям и часто требуют глубоких навыков инженерии подсказок для получения желаемого поведения. Дообучение и RLHF используются для совершенствования этих предобученных моделей, делая их более полезными для широкого круга задач.

## RAG (генерация, дополненная поиском)

«Retrieval augmented generation» (генерация, дополненная поиском), или RAG, — это метод, сочетающий информационный поиск с генерацией языковой модели для повышения точности и релевантности генерируемого текста, а также для лучшего обоснования ответа модели фактическими данными. В RAG языковая модель дополняется внешней базой знаний или набором документов, которые передаются в контекстное окно. Данные извлекаются во время выполнения, когда запрос отправляется модели, хотя сама модель не обязательно извлекает данные (но может это делать с помощью [использования инструментов](https://platform.claude.com/docs/ru/agents-and-tools/tool-use/overview) и функции поиска). При генерации текста релевантная информация сначала должна быть извлечена из базы знаний на основе входной подсказки, а затем передана модели вместе с исходным запросом. Модель использует эту информацию для формирования генерируемого результата. Это позволяет модели получать доступ к информации за пределами её обучающих данных и использовать её, снижая зависимость от запоминания и повышая фактическую точность генерируемого текста. RAG может быть особенно полезен для задач, требующих актуальной информации, знаний в конкретной предметной области или явного цитирования источников. Однако эффективность RAG зависит от качества и релевантности внешней базы знаний и информации, извлекаемой во время выполнения.

## RLHF

«Reinforcement Learning from Human Feedback» (обучение с подкреплением на основе обратной связи от человека), или RLHF, — это метод, используемый для обучения предобученной языковой модели вести себя в соответствии с предпочтениями человека. Это может включать помощь модели в более эффективном следовании инструкциям или в поведении, более похожем на чат-бота. Обратная связь от человека заключается в ранжировании набора из двух или более примеров текста, а процесс обучения с подкреплением побуждает модель предпочитать результаты, похожие на те, что получили более высокий ранг. Claude был обучен с использованием RLHF, чтобы быть более полезным ассистентом. Подробнее вы можете прочитать в [статье Anthropic на эту тему](https://arxiv.org/abs/2204.05862).

## Температура

«Temperature» (температура) — это параметр, управляющий степенью случайности предсказаний модели при генерации текста. Более высокая температура приводит к более творческим и разнообразным результатам, допуская множество вариаций в формулировках, а в случае художественных текстов — и вариации в ответах. Более низкая температура даёт более консервативные и детерминированные результаты, придерживающиеся наиболее вероятных формулировок и ответов. Настройка температуры позволяет пользователям побуждать языковую модель исследовать редкие, необычные или неожиданные варианты слов и последовательностей, а не выбирать только наиболее вероятные предсказания.

Пользователи могут столкнуться с недетерминированностью в API. Даже при температуре, установленной в 0, результаты не будут полностью детерминированными, и одинаковые входные данные могут давать разные результаты в разных вызовах API. Это относится как к собственному сервису инференса Anthropic, так и к инференсу через сторонних облачных провайдеров.

## TTFT (время до первого токена)

«Time to First Token» (время до первого токена), или TTFT, — это метрика производительности, измеряющая время, которое требуется языковой модели для генерации первого токена результата после получения подсказки. Это важный показатель отзывчивости модели, особенно актуальный для интерактивных приложений, чат-ботов и систем реального времени, где пользователи ожидают быстрой первоначальной реакции. Меньшее значение TTFT означает, что модель может быстрее начать генерировать ответ, обеспечивая более плавный и увлекательный пользовательский опыт. На TTFT могут влиять такие факторы, как размер модели, возможности оборудования, состояние сети и сложность подсказки.

## Токены

«Tokens» (токены) — это наименьшие отдельные единицы языковой модели, которые могут соответствовать словам, частям слов, символам или даже байтам (в случае Unicode). Для Claude количество символов, которое представляет токен, зависит от модели и языка. Модели Claude 4.7 и более поздние, а также Claude Mythos Preview используют более новый токенизатор, который создаёт примерно на 30 процентов больше токенов для того же текста, чем более ранние модели, в которых один токен соответствует примерно 3,5 символам английского текста. Чтобы получить точное количество, используйте [подсчёт токенов](https://platform.claude.com/docs/ru/build-with-claude/token-counting) с моделью, которую вы планируете использовать. Токены обычно скрыты при взаимодействии с языковыми моделями на «текстовом» уровне, но становятся важными при изучении точных входных и выходных данных языковой модели. Когда Claude получает текст для оценки, этот текст (состоящий из последовательности символов) кодируется в последовательность токенов для обработки моделью. Более крупные токены обеспечивают эффективность использования данных во время инференса и предобучения (и используются, когда это возможно), тогда как более мелкие токены позволяют модели обрабатывать редкие или ранее не встречавшиеся слова. Выбор метода токенизации может влиять на производительность модели, размер словаря и способность обрабатывать слова, отсутствующие в словаре.