Glosari API LLM
Dikemas kini
Definisi ringkas dan bersumber bagi istilah yang ditemui pembangun apabila memanggil API LLM atau pertuturan ke teks: apakah token dan tetingkap konteks, bagaimana input cache dan pelan kadar tetap mengubah bil, dan apakah maksud had kadar serta pengekalan data sifar secara praktikal.
API dan integrasi
- API kelompok (batch API)
- Batch API ialah endpoint LLM tak segerak yang menerima banyak permintaan sekali gus, biasanya sebagai fail, memprosesnya dalam tempoh yang ditetapkan dan bukan serta-merta, dan memulangkan hasilnya bersama-sama. Penyedia seperti OpenAI dan Anthropic mengenakan harga diskaun untuk permintaan kelompok berbanding API standard mereka.
- API serasi OpenAI (OpenAI-compatible API)
- API serasi OpenAI ialah API HTTP yang menerima format permintaan dan respons yang sama seperti OpenAI API, contohnya POST /v1/chat/completions, jadi SDK dan alat OpenAI boleh menggunakannya dengan hanya menukar base URL, kunci API dan nama model.
- Backoff eksponen (exponential backoff)
- Backoff eksponen ialah strategi cuba semula di mana klien menunggu lebih lama selepas setiap percubaan yang gagal, biasanya menggandakan kelewatan sehingga had tertentu, sebelum mencuba lagi. Menambah jitter rawak pada setiap penantian menyebarkan cubaan semula daripada banyak klien supaya mereka tidak mengenai pelayan pada saat yang sama.
- Base URL (URL asas)
- Base URL ialah alamat akar tetap sesuatu API, seperti https://api.example.com/v1, yang diletakkan oleh klien di hadapan setiap laluan endpoint, seperti /chat/completions. Dalam SDK serasi OpenAI, menukar base URL, bersama kunci API dan ID model, menghalakan kod yang sama kepada penyedia lain.
- BM25
- BM25 (Okapi BM25) ialah fungsi kedudukan untuk carian kata kunci yang memberi skor kepada dokumen berdasarkan kekerapan istilah pertanyaan muncul di dalamnya, sejauh mana istilah itu jarang dalam keseluruhan koleksi, dan panjang dokumen. Ia ialah similarity lalai dalam Lucene dan Elasticsearch.
- Carian hibrid (hybrid search)
- Carian hibrid ialah kaedah dapatan semula yang menjalankan carian kata kunci, seperti BM25, dan carian vektor ke atas embedding bagi pertanyaan yang sama, kemudian menggabungkan kedua-dua senarai berkedudukan menjadi satu, selalunya dengan reciprocal rank fusion (RRF) atau jumlah berwajaran skor yang dinormalkan.
- Chat Completions API
- Chat Completions API ialah endpoint HTTP OpenAI, POST /v1/chat/completions, yang menerima nama model dan senarai mesej bertanda peranan, lalu memulangkan mesej seterusnya daripada model. Bentuk permintaan dan responsnya menjadi format biasa yang digunakan semula oleh penyedia dan SDK yang serasi OpenAI.
- Chunking (pemecahan dokumen untuk RAG)
- Chunking ialah langkah dalam pipeline retrieval yang memecahkan dokumen kepada cebisan lebih kecil, dipanggil chunk, sebelum ia di-embed dan diindeks. Saiz chunk menentukan berapa banyak teks dalam setiap cebisan, dan overlap chunk mengulang sebahagian teks antara chunk bersebelahan supaya idea yang terpotong di sempadan tidak hilang.
- Daya pemprosesan (throughput)
- Daya pemprosesan (throughput), dalam penyajian LLM, ialah jumlah kerja yang disiapkan sistem bagi setiap unit masa merentas semua permintaan serentak, biasanya diukur sebagai token output sesaat atau permintaan sesaat. Ia berbeza daripada kelajuan setiap strim, iaitu sepantas mana satu permintaan menerima tokennya.
- Ejen AI (AI agent)
- Ejen AI ialah sistem di mana model bahasa mengarahkan langkahnya sendiri ke arah sesuatu matlamat: ia memutuskan alatan yang hendak dipanggil, membaca hasilnya dan mengulang sehingga menghasilkan jawapan akhir atau mencapai had. Skrip tetap yang memanggil model pada titik yang ditetapkan biasanya dipanggil aliran kerja (workflow).
- Ejen pengekodan AI (AI coding agent)
- Ejen pengekodan AI ialah alat perisian di mana model bahasa bekerja pada codebase dalam satu gelung: ia membaca fail, menyuntingnya, menjalankan arahan seperti ujian, membaca output dan menentukan langkah seterusnya sehingga tugas selesai atau had dicapai.
- Fallback model (model sandaran)
- Fallback model ialah corak kebolehpercayaan di mana permintaan LLM yang gagal dicuba semula pada model atau penyedia lain daripada senarai tersusun. Pencetusnya boleh jadi ralat, had kadar, ralat panjang konteks atau penolakan dasar kandungan. Ia berjalan dalam klien anda atau dalam gateway di hadapan API.
- finish_reason
- finish_reason ialah medan pada setiap choice dalam respons chat completion yang menyatakan sebab model berhenti menjana. Dalam format OpenAI, nilainya ialah stop, length, tool_calls, content_filter dan function_call yang sudah lapuk. Messages API Anthropic melaporkan idea yang sama sebagai stop_reason.
- Had kadar (rate limit)
- Had kadar ialah had yang ditetapkan oleh API ke atas jumlah penggunaan klien dalam satu tempoh masa, seperti permintaan seminit atau token seminit. Permintaan yang melebihi had ditolak, biasanya dengan HTTP 429 Too Many Requests, sehingga penggunaan turun semula di bawahnya.
- Inferens tanpa pelayan (serverless inference)
- Inferens tanpa pelayan (serverless inference) ialah cara menjalankan model pembelajaran mesin di mana platform memulakan, menskala dan menghentikan pengkomputeran di sebalik endpoint secara automatik, selalunya hingga sifar apabila tiada trafik, dan mengebil penggunaan dan bukannya mesin yang ditempah. Kelemahannya ialah kemungkinan kelewatan cold start.
- JSON Schema (skema JSON)
- JSON Schema ialah perbendaharaan kata, ditulis dalam JSON, untuk menerangkan dan mengesahkan struktur data JSON: jenis, medan wajib, nilai yang dibenarkan dan penyarangan. Versi semasa ialah 2020-12. API LLM menggunakannya untuk mentakrifkan parameter alat dan bentuk tepat yang mesti diikuti oleh output berstruktur.
- Jujukan henti (stop sequences)
- Jujukan henti (stop sequences) ialah rentetan yang anda hantar bersama permintaan supaya model berhenti menjana sebaik sahaja ia menghasilkan salah satu daripadanya. OpenAI menamakan medan itu stop dan menerima sehingga 4 jujukan; Anthropic menamakannya stop_sequences. Teks yang sepadan biasanya tidak dimasukkan dalam output yang dipulangkan.
- Kependaman (latency)
- Kependaman, bagi API model bahasa, ialah masa yang diambil oleh sesuatu permintaan dari saat dihantar sehingga token output terakhir diterima. Ia ialah jumlah masa ke token pertama dan masa penjanaan, dan biasanya dilaporkan sebagai persentil seperti p50 dan p95, bukan purata.
- Keserentakan (concurrency)
- Keserentakan ialah bilangan permintaan yang sedang berjalan serentak daripada satu klien. API LLM sering mengehadkannya bagi setiap kunci atau pelan, berasingan daripada permintaan seminit, kerana setiap permintaan yang terbuka memegang kapasiti GPU sehingga responsnya selesai.
- Kunci idempotensi (idempotency key)
- Kunci idempotensi ialah nilai unik, biasanya ID rawak seperti UUID, yang dilampirkan oleh klien pada permintaan yang mengubah keadaan, seperti pembayaran atau pembelian. Jika permintaan yang sama dihantar semula dengan kunci yang sama, pelayan memulangkan hasil asal dan tidak melakukan tindakan itu dua kali.
- Masa ke token pertama (TTFT)
- Masa ke token pertama (TTFT) ialah masa dari penghantaran permintaan kepada model bahasa sehingga token output pertama tiba. Ia termasuk masa rangkaian, giliran menunggu di pelayan dan prefill, iaitu langkah model membaca seluruh prompt, jadi ia meningkat dengan panjang prompt dan beban.
- MCP (Model Context Protocol)
- MCP (Model Context Protocol) ialah protokol terbuka berasaskan JSON-RPC 2.0 yang menyeragamkan cara aplikasi LLM bersambung kepada alatan dan data luaran. Pelayan MCP mendedahkan tools, resources dan prompts; klien MCP di dalam aplikasi hos menemuinya dan menghantar panggilan alatan daripada model kepada pelayan.
- Mod JSON (JSON mode)
- Mod JSON ialah tetapan API LLM, response_format {"type": "json_object"} dalam API gaya OpenAI, yang menjadikan jawapan model JSON yang sah dan boleh dihurai. Tidak seperti structured outputs dengan JSON Schema, ia tidak menjamin kunci, jenis atau nilai yang terkandung dalam objek itu.
- Output berstruktur (structured output)
- Output berstruktur ialah ciri API LLM yang mengehadkan balasan model kepada format yang ditetapkan oleh pembangun, biasanya JSON Schema, supaya kod boleh menghuraikannya dengan boleh dipercayai. Ia lebih ketat daripada JSON mode, yang menjamin JSON yang sah tetapi bukan bentuk tertentu.
- Panggilan alatan selari (parallel tool calls)
- Panggilan alatan selari berlaku apabila model memulangkan lebih daripada satu panggilan alatan dalam satu respons, contohnya tiga bacaan fail serentak. Dalam format OpenAI, ia tiba sebagai beberapa entri dalam tool_calls, dan parallel_tool_calls yang ditetapkan kepada false mengehadkan model kepada sifar atau satu panggilan setiap giliran.
- Pangkalan data vektor (vector database)
- Pangkalan data vektor ialah stor data yang menyimpan vektor embedding, selalunya bersama teks sumber dan metadata, dan menjawab pertanyaan jiran terdekat: berikan vektor pertanyaan dan ia memulangkan vektor tersimpan yang paling serupa dengannya, biasanya mengikut jarak kosinus, jarak Euclidean atau hasil darab dalam.
- Parameter seed
- Parameter seed ialah integer yang anda hantar bersama permintaan supaya API cuba memilih token yang sama apabila permintaan yang sama diulang. OpenAI menyifatkannya sebagai usaha terbaik: determinisme tidak dijamin, dan medan system_fingerprint menunjukkan apabila konfigurasi backend telah berubah.
- Penamatan model (model deprecation)
- Penamatan model (deprecation) berlaku apabila penyedia API mengumumkan bahawa sesuatu model tidak akan ditawarkan lagi, biasanya dengan menyatakan tarikh persaraan atau penutupan dan model pengganti yang disyorkan. Selepas tarikh itu, permintaan kepada model tersebut gagal, jadi aplikasi mesti berpindah ke ID model lain lebih awal.
- Penghala LLM (LLM router)
- Penghala LLM ialah perisian atau perkhidmatan yang terletak di antara aplikasi dan satu atau lebih API model bahasa, dan memutuskan, bagi setiap permintaan, model atau penyedia mana yang mengendalikannya, menggunakan peraturan seperti kos, kependaman, ketersediaan atau jenis tugas.
- Penormalan Unicode (Unicode normalization)
- Penormalan Unicode menukar teks kepada bentuk piawai supaya rentetan yang kelihatan sama menggunakan code point yang sama. Empat bentuknya ialah NFD, NFC, NFKD dan NFKC; bentuk K juga menggabungkan aksara keserasian, seperti bentuk persembahan Arab dan ligatur, kepada huruf biasa.
- Penstriman (streaming)
- Penstriman ialah cara memulangkan respons model bahasa dalam cebisan kecil semasa ia masih dijana, dan bukan sebagai satu jawapan di penghujung. API serasi OpenAI menstrim melalui server-sent events apabila permintaan menetapkan stream kepada true.
- Penyedia inferens (inference provider)
- Penyedia inferens ialah syarikat yang menjalankan model pembelajaran mesin, selalunya LLM open-weight, pada GPU yang dimiliki, dipajak atau disewanya, dan menjual akses kepadanya melalui API, biasanya berharga setiap token, setiap permintaan atau setiap unit masa. Ia mengendalikan perkhidmatan, penskalaan dan perkakasan.
- Prompt sistem (system prompt)
- Prompt sistem ialah teks arahan yang dihantar oleh aplikasi kepada model bahasa sebelum perbualan, biasanya sebagai mesej dengan peranan system atau developer. Ia menetapkan peranan, peraturan, nada dan format output model, dan model sepatutnya mengutamakannya berbanding mesej pengguna yang bercanggah.
- RAG (retrieval-augmented generation)
- RAG (retrieval-augmented generation) ialah corak di mana aplikasi terlebih dahulu mendapatkan petikan yang berkaitan dengan soalan daripada stor luaran, seperti indeks carian atau vektor, kemudian menambahkannya pada prompt supaya model bahasa boleh menjawab berdasarkan teks itu dan bukan daripada ingatannya sahaja.
- ReAct (reason and act)
- ReAct (reason and act) ialah corak prompt yang diperkenalkan oleh Yao et al. pada 2022, di mana model bahasa menyelang-seli jejak penaakulan dengan tindakan seperti carian atau panggilan alatan. Ia membaca setiap pemerhatian, mengemas kini rancangannya, dan mengulang sehingga dapat memberi jawapan akhir.
- Reranking (penyusunan semula kedudukan)
- Reranking ialah peringkat dapatan semula kedua di mana model yang lebih tepat tetapi lebih perlahan, biasanya cross-encoder, menskor setiap pasangan pertanyaan dan dokumen calon daripada carian pertama dan menyusunnya semula, supaya hanya beberapa yang paling relevan dihantar kepada model bahasa.
- Server-sent events (SSE)
- Server-sent events (SSE) ialah piawaian web untuk pelayan menolak aliran event teks kepada klien melalui satu respons HTTP yang kekal lama dengan jenis kandungan text/event-stream. Setiap event terdiri daripada satu atau lebih baris medan, seperti data:, yang ditamatkan dengan baris kosong.
- Sistem berbilang ejen (multi-agent system)
- Sistem berbilang ejen ialah aplikasi LLM di mana beberapa ejen, masing-masing dengan prompt, alatan dan konteks sendiri, mengerjakan bahagian berlainan bagi satu tugas. Reka bentuk yang lazim ialah orchestrator-worker: ejen ketua merancang, memulakan ejen pekerja secara selari dan menggabungkan hasil mereka.
- SLA (perjanjian tahap perkhidmatan)
- SLA (service level agreement, perjanjian tahap perkhidmatan) ialah komitmen kontrak daripada penyedia terhadap tahap perkhidmatan yang boleh diukur, biasanya peratusan uptime bulanan, dengan remedi yang ditetapkan, biasanya kredit perkhidmatan, jika tidak dicapai. SLA mentakrifkan apa yang dikira sebagai downtime, apa yang dikecualikan dan cara membuat tuntutan.
- Subejen (subagent)
- Subejen (subagent) ialah ejen berasingan yang dimulakan oleh ejen utama untuk mengendalikan satu tugas yang khusus. Ia berjalan dengan tetingkap konteks, prompt sistem dan akses alatan sendiri, melakukan kerja itu, dan hanya memulangkan hasil atau ringkasan kepada ejen utama, supaya perbualan utama kekal kecil.
- Tamat masa permintaan (request timeout)
- Tamat masa permintaan (request timeout) ialah tempoh paling lama klien HTTP menunggu pelayan sebelum meninggalkan permintaan. Klien biasanya membahagikannya kepada connect timeout untuk membuka sambungan dan read timeout untuk menunggu data. Panggilan LLM memerlukan read timeout yang longgar kerana jawapan panjang mengambil masa.
- Teks kanan ke kiri (right-to-left, RTL)
- Teks kanan ke kiri (RTL) ialah tulisan, seperti bahasa Arab atau Ibrani, yang dipaparkan dari kanan ke kiri. Komputer menyimpannya dalam susunan bacaan logik, dan Unicode Bidirectional Algorithm menentukan susunan paparan apabila teks RTL bercampur dengan teks kiri ke kanan, digit, nama model atau kod.
- Tool calling (panggilan alatan)
- Tool calling, juga dipanggil function calling, ialah ciri API LLM di mana model memulangkan permintaan berstruktur untuk menjalankan fungsi yang ditakrifkan oleh pembangun, bersama argumen JSON. Aplikasi menjalankan fungsi itu dan menghantar hasilnya kembali; model sendiri tidak pernah menjalankan kod.
- tool_choice
- tool_choice ialah parameter permintaan yang mengawal penggunaan alatan. Dalam Chat Completions OpenAI, nilainya boleh auto (model membuat keputusan), required (model mesti memanggil satu atau lebih alat), none (tiada alat), atau fungsi bernama untuk dipaksa. Pilihan setara Anthropic ialah auto, any, tool dan none.
Model dan token
- AI multimodal (multimodal AI)
- AI multimodal ialah model atau sistem yang berfungsi dengan lebih daripada satu jenis data, seperti teks, imej, video dan audio. Model multimodal mungkin membaca foto dan soalan bersama-sama, atau menerima pertuturan dan menjawab dalam teks. Model bahasa-penglihatan (vision-language model) ialah jenis yang paling lazim.
- Arabizi
- Arabizi ialah bahasa Arab yang ditulis secara tidak formal dalam huruf Rumi, menggunakan digit untuk bunyi Arab yang tiada padanan Rumi, seperti 3 untuk ع. Ia biasa dalam chat dan media sosial, kebanyakannya dialek, tiada ejaan standard, dan sering bercampur dengan bahasa Inggeris atau Perancis.
- AWQ (activation-aware weight quantization)
- AWQ (activation-aware weight quantization) ialah kaedah pasca latihan yang memampatkan pemberat LLM kepada ketepatan rendah, biasanya integer 4-bit. Ia menggunakan statistik pengaktifan daripada set kalibrasi kecil untuk mencari saluran pemberat paling penting dan menskalakannya supaya kurang ketepatan hilang. Ia tidak memerlukan backpropagation.
- Bahasa Arab Standard Moden (MSA)
- Bahasa Arab Standard Moden (MSA) ialah bentuk bahasa Arab yang diseragamkan untuk penulisan, berita, pendidikan dan pertuturan rasmi di seluruh dunia Arab. Ia bukan bahasa harian asli sesiapa: orang bertutur dalam dialek serantau seperti bahasa Arab Mesir atau Teluk dan beralih kepada MSA dalam situasi rasmi.
- Baris Arab (tashkeel, Arabic diacritics)
- Baris Arab, atau tashkeel, ialah tanda kecil yang ditulis di atas atau di bawah huruf untuk menunjukkan vokal pendek, konsonan berganda dan ketiadaan vokal. Ia pilihan: kebanyakan teks Arab, termasuk berita, meninggalkannya, jadi pembaca dan perisian meneka vokal daripada konteks.
- Byte pair encoding (BPE)
- Byte pair encoding (BPE) ialah algoritma tokenisasi subkata yang bermula daripada aksara atau bait tunggal dan berulang kali menggabungkan pasangan bersebelahan yang paling kerap menjadi entri perbendaharaan kata baharu, sehingga mencapai saiz perbendaharaan kata sasaran. Kebanyakan tokenizer LLM semasa menggunakan BPE atau varian peringkat baitnya.
- Chain-of-thought (CoT, rantaian pemikiran)
- Chain-of-thought (CoT) ialah teknik prompting di mana model bahasa ditunjukkan atau diminta menulis langkah penaakulan perantaraan sebelum jawapan akhirnya. Ia meningkatkan ketepatan bagi masalah berbilang langkah seperti aritmetik dan logik, dan model penaakulan kini menjananya secara automatik.
- Context rot (kemerosotan konteks)
- Context rot ialah kehilangan ketepatan dan kebolehpercayaan secara beransur-ansur yang ditunjukkan oleh model bahasa apabila input menjadi lebih panjang, walaupun tugasnya kekal sama dan input masih jauh dalam had tetingkap konteks. Istilah ini dipopularkan oleh laporan teknikal Chroma pada 2025 yang menguji 18 model.
- Dialek Arab (dialectal Arabic)
- Dialek Arab ialah bahasa Arab pertuturan harian di sesuatu rantau atau bandar, seperti bahasa Arab Mesir, Teluk, Levant atau Maghribi. Dialek berbeza daripada Bahasa Arab Standard Moden dari segi bunyi, perkataan dan tatabahasa, tiada ejaan standard, dan semakin banyak ditulis dalam talian, menjadikannya lebih sukar bagi model bahasa.
- Embedding (vektor teks)
- Embedding ialah senarai nombor titik terapung (vektor) yang dihasilkan oleh model untuk mewakili sekeping teks, imej atau input lain. Input yang maknanya serupa mendapat vektor yang berdekatan, jadi jarak antara vektor boleh digunakan untuk menyusun hasil carian, mengelompokkan dokumen atau mencari item berkaitan.
- Eval (penilaian LLM)
- Eval (singkatan bagi evaluation, penilaian) ialah ujian berulang bagi model bahasa atau prompt: satu set input tetap, penerangan tentang rupa output yang baik, dan penggred (kod, manusia atau model lain) yang memberi skor kepada setiap output supaya versi boleh dibandingkan.
- Few-shot prompting (prompt dengan beberapa contoh)
- Few-shot prompting ialah teknik di mana prompt mengandungi sebilangan kecil contoh pasangan input-output sebelum input sebenar, supaya model bahasa dapat menyimpulkan tugas dan format daripadanya. Pemberat model tidak berubah; zero-shot tidak menggunakan contoh dan one-shot menggunakan satu.
- Fine-tuning (penalaan halus)
- Fine-tuning ialah proses meneruskan latihan model bahasa yang telah dilatih dengan set data yang lebih kecil dan khusus tugas, seperti contoh perbualan, supaya pemberatnya berubah dan ia melaksanakan tugas atau gaya itu dengan lebih konsisten tanpa memerlukan arahan atau contoh panjang dalam setiap prompt.
- FP8
- FP8 ialah format nombor titik apung 8-bit yang digunakan dalam pembelajaran mendalam, ditakrifkan dalam dua pengekodan: E4M3, dengan 4 bit eksponen dan 3 bit mantisa, dan E5M2, dengan 5 bit eksponen dan 2 bit mantisa. Ia menjimatkan separuh memori berbanding format 16-bit dan berjalan secara asli pada GPU terkini.
- GGUF
- GGUF ialah format fail binari untuk menyimpan model bahasa bagi inferens dengan runtime berasaskan GGML seperti llama.cpp. Satu fail GGUF memegang pemberat, selalunya dikuantisasi, serta metadata yang diperlukan untuk memuatkan model, termasuk butiran tokenizer dan seni bina, dan ia boleh dipetakan ke memori (memory-mapped) untuk pemuatan pantas.
- Grounding (penambatan pada sumber)
- Grounding ialah amalan menghubungkan output model bahasa dengan sumber maklumat yang khusus dan boleh disahkan, seperti dokumen yang dibekalkan, hasil carian atau rekod pangkalan data, dan mengarahkannya menjawab berdasarkan sumber tersebut. Jawapan yang di-ground boleh dijejak kembali ke sumber dan kurang berkemungkinan mengandungi fakta rekaan.
- Halusinasi AI (AI hallucination)
- Halusinasi ialah output model bahasa yang kedengaran munasabah tetapi salah, direka-reka atau tidak disokong oleh input yang diberikan, seperti petikan rujukan rekaan, angka yang salah atau API yang tidak wujud. Ia berpunca daripada model meramalkan teks yang mungkin, bukan menyemak fakta.
- Hamzah (hamza)
- Hamzah (ء) ialah huruf bahasa Arab bagi hentian glotis. Ia ditulis sendirian atau di atas kerusi: alif (أ إ), wau (ؤ) atau ya (ئ), manakala آ menggabungkan alif dengan madd. Oleh sebab teks yang ditaip tidak konsisten, enjin carian dan pemarkahan pertuturan sering menyatukan bentuk alif kepada ا.
- INT4
- INT4 ialah format nombor integer 4-bit yang boleh mewakili 16 tahap. Dalam inferens LLM, ia biasanya bermaksud kuantisasi pemberat sahaja 4-bit (W4A16): pemberat disimpan sebagai INT4 bersama faktor skala dan dikembangkan kepada 16-bit semasa pengiraan, menggunakan kira-kira suku daripada memori pemberat 16-bit.
- Kejuruteraan konteks (context engineering)
- Kejuruteraan konteks ialah kerja memilih dan menyelenggara set token yang dilihat oleh model bahasa pada setiap permintaan, termasuk prompt sistem, definisi alat, sejarah, dokumen yang diambil dan nota, supaya model mendapat set maklumat bernilai tinggi yang paling kecil yang diperlukan untuk melaksanakan tugas dengan baik.
- Kejuruteraan prompt (prompt engineering)
- Kejuruteraan prompt ialah proses menulis, menyusun dan menguji arahan yang diberikan kepada model bahasa supaya ia sentiasa menghasilkan output yang memenuhi keperluan anda. Ia merangkumi mesej peranan, arahan yang jelas, contoh, format, dan pengukuran hasil berbanding kes ujian.
- Kuantisasi (quantization)
- Kuantisasi ialah proses menyimpan nombor rangkaian neural, terutamanya pemberatnya, dalam format berketepatan lebih rendah seperti 8-bit atau 4-bit dan bukan 16-bit, supaya model menggunakan kurang memori dan selalunya berjalan lebih pantas. Kaedah yang baik memastikan kehilangan ketepatan kekal kecil.
- KV cache
- KV cache ialah memori tempat model bahasa transformer menyimpan key dan value attention yang dikira bagi setiap token yang telah diproses, supaya setiap token baharu menggunakannya semula dan tidak mengira semula keseluruhan jujukan. Ia membesar mengikut panjang konteks dan selalunya mengehadkan bilangan permintaan yang boleh dilayan oleh GPU.
- Lesen model (model license)
- Lesen model ialah terma undang-undang yang menentukan cara pemberat, kod dan output sesuatu model boleh digunakan, diubah dan dikongsi. Model open-weight menggunakan lesen perisian standard seperti Apache 2.0 atau MIT, atau lesen model khusus yang boleh menambah syarat, seperti had ke atas perkhidmatan komersial yang besar.
- LLM-as-a-judge (LLM sebagai hakim)
- LLM-as-a-judge ialah kaedah penilaian di mana model bahasa menilai output model lain, sama ada memberi skor kepada satu jawapan berdasarkan rubrik atau memilih yang lebih baik antara dua jawapan. Ia menghampiri pertimbangan manusia pada kos jauh lebih rendah tetapi mempunyai bias yang diketahui, seperti memihak kepada jawapan pertama atau lebih panjang.
- Logprobs (kebarangkalian log)
- Logprobs ialah kebarangkalian log yang diberikan oleh model bahasa kepada token yang dijananya. API yang memulangkannya menunjukkan, bagi setiap token output, sejauh mana model menganggap token itu mungkin dan, secara pilihan, token alternatif yang paling mungkin pada kedudukan tersebut.
- LoRA (low-rank adaptation)
- LoRA (low-rank adaptation) ialah kaedah fine-tuning cekap parameter yang membekukan pemberat model pra-latih dan melatih sepasang matriks kecil berpangkat rendah untuk lapisan terpilih. Kemas kini yang dipelajari boleh disimpan sebagai adapter kecil atau digabungkan ke dalam pemberat, tanpa menambah kependaman inferens.
- Lost in the middle (hilang di tengah)
- Lost in the middle ialah kecenderungan model bahasa yang diperhatikan untuk menggunakan maklumat relevan dengan paling baik apabila ia muncul berhampiran awal atau akhir input panjang, dan paling teruk apabila ia berada di tengah. Ia dinamakan dalam kajian 2023 oleh Liu et al.
- max_tokens
- max_tokens ialah parameter API LLM yang menetapkan bilangan maksimum token yang boleh dijana oleh model dalam satu respons. Apabila had itu dicapai, penjanaan berhenti dan respons ditandakan sebagai terpotong, contohnya dengan finish_reason ditetapkan kepada "length".
- Mixture of experts (MoE, campuran pakar)
- Mixture of experts (MoE) ialah reka bentuk rangkaian neural di mana satu lapisan mengandungi banyak subrangkaian pakar dan penghala yang dipelajari menghantar setiap token kepada hanya beberapa daripadanya. Model bahasa MoE mempunyai jumlah parameter yang besar tetapi menggunakan subset aktif yang kecil bagi setiap token.
- Model bahasa-penglihatan (vision-language model)
- Model bahasa-penglihatan (VLM) ialah model yang menerima imej dan teks bersama sebagai input dan menghasilkan teks, jadi ia boleh menerangkan gambar, menjawab soalan tentangnya dan membaca dokumen, carta atau tangkapan skrin. VLM juga dipanggil model image-text-to-text atau model multimodal.
- Model open-weight (model pemberat terbuka)
- Model open-weight ialah model pembelajaran mesin yang pemberat terlatihnya diterbitkan untuk dimuat turun dan dijalankan oleh sesiapa sahaja, biasanya di bawah lesen bersyarat. Ia berbeza daripada AI sumber terbuka sepenuhnya, yang turut mengeluarkan kod latihan dan maklumat terperinci tentang data latihan supaya orang lain boleh mengkaji dan menghasilkan semula model itu.
- Pemampatan konteks (context compaction)
- Pemampatan konteks ialah amalan meringkaskan perbualan yang hampir mencapai had tetingkap konteks dan meneruskan sesi daripada ringkasan itu, supaya ejen mengekalkan keputusan dan keadaan penting sambil membuang sejarah mentah seperti output alatan lama.
- Penalti kekerapan dan kehadiran
- Penalti kekerapan dan kehadiran (frequency dan presence penalty) ialah tetapan pensampelan yang merendahkan skor token yang sudah ada dalam output. Penalti kehadiran dikenakan sekali sebaik token muncul; penalti kekerapan meningkat dengan setiap ulangan. Dalam API OpenAI, julat kedua-duanya -2.0 hingga 2.0, dengan nilai lalai 0.
- Penanda aras LLM (LLM benchmark)
- Penanda aras LLM ialah set tugasan tetap, biasanya awam, dengan kaedah pemarkahan, yang digunakan untuk mengukur dan membandingkan model bahasa pada satu kemahiran, seperti soalan pengetahuan, pengekodan atau pengecaman pertuturan. Skor penanda aras menunjukkan keupayaan relatif pada ujian itu, bukan prestasi model pada beban kerja anda sendiri.
- Pengecaman aksara optik (OCR)
- Pengecaman aksara optik (OCR) ialah teknologi yang mengesan dan menukar teks bercetak atau tulisan tangan dalam imej, imbasan atau PDF kepada aksara yang boleh dibaca mesin. OCR klasik mengeluarkan teks dan kedudukannya pada halaman; model bahasa-penglihatan pula boleh membaca teks dan menjawab soalan tentangnya secara terus.
- Pengecaman dialek Arab (Arabic dialect identification)
- Pengecaman dialek Arab ialah tugas menentukan varian bahasa Arab yang digunakan dalam sesuatu teks atau rakaman, seperti Mesir, Teluk, Levant, Maghribi atau Bahasa Arab Standard Moden, pada peringkat rantau, negara atau bandar. Ia digunakan untuk menghalakan mesej, memilih prompt dan membahagikan set penilaian.
- Pengecaman entiti bernama (NER)
- Pengecaman entiti bernama (NER) ialah tugas mencari nama dalam teks dan melabel setiap satu dengan jenisnya, seperti orang, organisasi atau lokasi. Sistem klasik menanda setiap token; LLM pula sering diminta memulangkan senarai entiti sebagai JSON, yang kemudian disemak dengan teks sumber.
- Penormalan teks Arab (Arabic text normalization)
- Penormalan teks Arab ialah langkah yang memetakan varian ejaan bagi perkataan yang sama kepada satu bentuk sebelum padanan: membuang baris dan tatweel, menyatukan bentuk alif, dan selalunya memetakan ى kepada ي dan ة kepada ه. Ia digunakan pada kunci carian dan penilaian, bukan pada teks yang anda paparkan.
- Penyulingan model (knowledge distillation)
- Penyulingan, atau penyulingan pengetahuan (knowledge distillation), ialah kaedah latihan di mana model pelajar yang lebih kecil belajar menghasilkan semula output model guru yang lebih besar, seperti taburan kebarangkalian atau jawapan yang dijananya, supaya pelajar mengekalkan sebahagian besar kualiti guru dengan kos menjalankan yang lebih rendah.
- Prefill dan decode
- Prefill dan decode ialah dua fasa inferens LLM. Dalam prefill, model memproses seluruh prompt secara selari dan mengisi KV cache; dalam decode, ia menjana jawapan satu token pada satu masa, menggunakan semula cache itu. Prefill kebanyakannya menentukan masa ke token pertama; decode menentukan kelajuan output.
- Saiz perbendaharaan kata (vocabulary size)
- Saiz perbendaharaan kata ialah bilangan token berbeza dalam tokenizer model bahasa, setiap satu dengan ID dan embeddingnya sendiri. Perbendaharaan kata yang lebih besar boleh mengekod teks biasa dalam lebih sedikit token, tetapi ia membesarkan lapisan embedding dan output, dan hanya membantu untuk teks yang digunakan untuk melatihnya.
- Speculative decoding (penyahkodan spekulatif)
- Speculative decoding ialah teknik inferens di mana model draf yang kecil dan pantas mencadangkan beberapa token seterusnya, dan model sasaran yang besar mengesahkannya dalam satu forward pass, lalu mengekalkan token yang diterima. Ia mempercepat penjanaan tanpa mengubah taburan output.
- Ta marbutah (taa marbuta)
- Ta marbutah (ة, U+0629) ialah huruf Arab yang hanya muncul di hujung perkataan, selalunya menandakan kata nama dan kata sifat feminin. Rupanya seperti ha (ه, U+0647) dengan dua titik, jadi teks yang ditaip sering mencampurkan kedua-duanya, dan banyak penormal carian menukar ة kepada ه.
- Temperature (suhu pensampelan)
- Temperature ialah parameter pensampelan yang mengawal tahap rawak output model bahasa. Model membahagikan skor setiap token dengan temperature sebelum menukarnya kepada kebarangkalian: nilai rendah membuatkan token paling mungkin mendominasi, manakala nilai tinggi meratakan taburan supaya token yang kurang mungkin lebih kerap dipilih.
- Templat chat (chat template)
- Templat chat ialah peraturan pemformatan, biasanya ditulis dalam Jinja dan disertakan bersama tokenizer model, yang menukar senarai mesej chat berserta peranannya kepada satu jujukan token yang dijangka oleh model, termasuk token kawalan khasnya. Templat yang salah boleh merosotkan jawapan model dengan teruk.
- Tetingkap konteks (context window)
- Tetingkap konteks ialah bilangan maksimum token yang boleh dikendalikan oleh model bahasa dalam satu permintaan. Ia meliputi prompt, sejarah perbualan, definisi alatan, imej dan output yang dijana, termasuk token penaakulan. Apa-apa yang tidak muat mesti dipotong, diringkaskan atau dipecahkan kepada beberapa permintaan.
- Token
- Token ialah unit teks yang dibaca dan ditulis oleh model bahasa: satu perkataan, sebahagian perkataan, tanda baca atau jujukan bait yang dihasilkan oleh tokenizer model itu. API LLM mengira, mengehadkan dan biasanya mengebil penggunaan dalam token.
- Token imej (image tokens)
- Token imej ialah token input yang digunakan oleh model bahasa vision untuk mewakili imej dalam prompt. Penyedia mengiranya daripada saiz imej, biasanya dengan memecahkannya kepada patch atau jubin bersaiz tetap selepas saiz diubah, dan mengebilkannya seperti token input teks, jadi imej yang lebih besar lebih mahal.
- Token penaakulan (reasoning tokens)
- Token penaakulan ialah token yang dijana oleh model penaakulan untuk menyelesaikan masalah sebelum ia menulis jawapan yang kelihatan. Token ini biasanya dibilkan sebagai token output, dikira dalam had output dan tetingkap konteks, dan mungkin disembunyikan atau diringkaskan oleh API.
- Token sesaat (tokens per second)
- Token sesaat (TPS) ialah kadar model bahasa menjana token output, biasanya diukur bagi satu permintaan selepas token pertamanya tiba. Ia menentukan sepantas mana jawapan distrim sebaik bermula. Apabila dijumlahkan merentas semua permintaan serentak, ia menjadi daya pemprosesan sistem; masa menunggu sebelum token pertama diukur secara berasingan.
- Tokenizer (pengtoken)
- Tokenizer ialah komponen yang menukar teks kepada jujukan ID token integer yang dibaca oleh model bahasa, dan menukar ID yang dijana kembali kepada teks. Setiap model mempunyai tokenizer sendiri, jadi teks yang sama boleh menghasilkan bilangan token yang berbeza pada model yang berbeza.
- Top-p (pensampelan nukleus)
- Top-p, juga dipanggil pensampelan nukleus (nucleus sampling), ialah kaedah penyahkodan di mana model bahasa memilih token seterusnya hanya daripada set terkecil token paling mungkin yang jumlah kebarangkaliannya mencapai ambang p, seperti 0.9, dan membuang ekor yang tidak mungkin.
- vLLM
- vLLM ialah pustaka sumber terbuka untuk inferens dan penyajian LLM, yang mula-mula dibangunkan di Sky Computing Lab, UC Berkeley. Ia mengurus memori KV cache dengan PagedAttention, mengumpulkan permintaan masuk secara berterusan, menyokong banyak format kuantisasi dan menyediakan pelayan HTTP yang serasi OpenAI.
Harga dan pengebilan
- Bayar ikut guna (pay-as-you-go)
- Bayar ikut guna ialah model harga di mana anda hanya membayar apa yang anda guna, dimeter mengikut unit seperti token, permintaan atau minit audio, tanpa langganan atau komitmen minimum. Kebanyakan API LLM mengebil dengan cara ini, daripada baki prabayar atau invois berkala.
- Had perbelanjaan (spend limit)
- Had perbelanjaan ialah had ke atas jumlah yang boleh dibelanjakan oleh akaun, projek atau kunci API dalam satu tempoh, biasanya sebulan. Apabila penggunaan mencapainya, penyedia menolak permintaan seterusnya, selalunya dengan ralat HTTP 429 atau 400, sehingga tempoh itu ditetapkan semula atau had dinaikkan.
- Jam GPU (GPU-hour)
- Jam GPU ialah satu pemproses grafik yang digunakan selama satu jam. Penyedia awan mengecaj instans GPU yang disewa mengikut jam atau saat, dan penyelidik menggunakan jam GPU untuk menyatakan jumlah pengiraan yang digunakan sesuatu tugas. Anda membayar masa mesin itu, sama ada ia sibuk atau tidak.
- Kredit prabayar (prepaid credit)
- Kredit prabayar ialah wang yang ditambah ke akaun API sebelum digunakan. Setiap permintaan menolak kosnya daripada baki, dan apabila baki habis, permintaan bermeter berhenti sehingga anda menambah nilai. Ia mengehadkan perbelanjaan kepada jumlah yang telah anda bayar.
- Pelan LLM harga tetap (flat-rate LLM plan)
- Pelan LLM harga tetap mengenakan harga tetap bagi satu tempoh, seperti sebulan, untuk akses kepada API model bahasa dan bukannya mengebil setiap token. Pelan sebegini biasanya mengehadkan perkara lain, seperti keserentakan, kelajuan, model atau tetingkap penggunaan, jadi hadnya sama penting dengan harganya.
- Token input cache (cached input tokens)
- Token input cache ialah token prompt yang baru sahaja diproses oleh penyedia LLM dan boleh diguna semula daripada cache tanpa dikira semula, biasanya awalan yang berulang seperti prompt sistem atau dokumen. Penyedia mengebilnya pada kadar lebih rendah daripada token input baharu.
- Token input dan output (input and output tokens)
- Token input ialah token yang dibaca oleh model bahasa dalam satu permintaan, termasuk prompt sistem, sejarah perbualan, definisi alatan dan imej. Token output ialah token yang dijananya sebagai balasan, termasuk sebarang penaakulan. API LLM biasanya meletakkan harga berasingan, dan output biasanya lebih mahal.
Privasi dan keselamatan
- GDPR
- GDPR (General Data Protection Regulation, Regulation (EU) 2016/679) ialah undang-undang EU tentang pemprosesan data peribadi. Ia terpakai sejak 25 Mei 2018 dan meliputi organisasi yang bertapak di EU serta sesetengah organisasi di luar EU. Bagi API LLM, ia mengawal kontrak pemproses, pemindahan antarabangsa dan peminimuman data.
- Guardrails (pagar keselamatan LLM)
- Guardrails ialah semakan yang dijalankan aplikasi di sekeliling panggilan model bahasa untuk mengekalkannya dalam had yang ditetapkan. Guardrails input menapis apa yang masuk ke model, guardrails output menyemak apa yang keluar, dan guardrails alat mengesahkan tindakan sebelum dijalankan. Semakan yang gagal akan menyekat, menulis semula atau membenderakan permintaan.
- Jailbreak (LLM)
- Jailbreak ialah input yang direka untuk membuat model bahasa mengabaikan latihan keselamatannya atau peraturan yang ditetapkan oleh aplikasi yang menggunakannya, supaya ia menghasilkan kandungan atau mengambil tindakan yang biasanya ditolaknya. OWASP menganggap jailbreaking sebagai satu bentuk prompt injection.
- Kunci API (API key)
- Kunci API ialah rentetan rahsia yang mengenal pasti dan membenarkan klien yang memanggil sesuatu API. API LLM biasanya menjangkakannya dalam pengepala Authorization: Bearer, dan sesiapa yang memegang kunci itu boleh membuat permintaan yang dibilkan kepada akaun pemiliknya.
- PDPL (undang-undang perlindungan data Saudi dan UAE)
- PDPL (Personal Data Protection Law) ialah nama umum bagi undang-undang data peribadi Arab Saudi (Dekri Diraja M/19, dikuatkuasakan oleh SDAIA) dan Federal Decree-Law No. 45 of 2021 UAE. Kedua-duanya mengawal pemprosesan data peribadi dan menetapkan syarat pemindahan ke luar negara, termasuk prompt yang dihantar ke API LLM asing.
- Perjanjian pemprosesan data (DPA)
- Perjanjian pemprosesan data (DPA) ialah kontrak antara pengawal dan pemproses yang mengawal cara pemproses mengendalikan data peribadi. GDPR Perkara 28(3) mewajibkannya dan menyenaraikan kandungannya: arahan yang didokumenkan, kerahsiaan, keselamatan, peraturan subpemproses, pemadaman atau pemulangan data, dan audit.
- PII (maklumat pengenalan peribadi)
- PII (personally identifiable information) ialah maklumat yang boleh digunakan untuk membezakan atau menjejak identiti seseorang, seperti nama, nombor pengenalan atau rekod biometrik, serta maklumat lain yang dikaitkan atau boleh dikaitkan dengan orang itu. Istilah GDPR yang lebih luas ialah data peribadi. Dalam kerja LLM, penyuntingan PII membuangnya daripada prompt sebelum ia keluar dari sistem anda.
- Prompt injection (suntikan prompt)
- Prompt injection ialah serangan di mana teks yang diberikan kepada model bahasa, sama ada oleh pengguna atau tersembunyi dalam laman web, e-mel, fail atau hasil alatan, mengubah tingkah laku model bertentangan dengan niat pembangun. OWASP meletakkannya di tempat pertama (LLM01:2025) dalam Top 10 for LLM Applications.
- Residensi data (data residency)
- Residensi data ialah keperluan atau komitmen bahawa data disimpan dan diproses di negara atau rantau tertentu. Bagi API LLM, ia meliputi lokasi prompt diproses semasa inferens dan lokasi sebarang kandungan yang disimpan, dan selalunya tidak termasuk data akaun dan pengebilan.
- Senarai IP dibenarkan (IP allow list)
- Senarai IP dibenarkan ialah kawalan keselamatan yang hanya menerima permintaan daripada alamat IP atau julat CIDR yang disenaraikan dan menolak yang lain. Pada API, ia mengehadkan kerosakan akibat kunci yang bocor, kerana kunci itu tidak berfungsi dari rangkaian yang tiada dalam senarai.
- Subpemproses (subprocessor)
- Subpemproses ialah pihak ketiga yang dilantik oleh pemproses untuk menjalankan pemprosesan data peribadi bagi pihak pengawal. Bagi API LLM, subpemproses boleh termasuk hos GPU, penyedia inferens rakan kongsi dan kapasiti sandaran. Di bawah GDPR Perkara 28, mereka memerlukan kebenaran pengawal dan obligasi perlindungan data yang sama.
- Zero data retention (ZDR, tiada pengekalan data)
- Zero data retention (ZDR) ialah dasar pengendalian data di mana penyedia AI memproses prompt dan output hanya untuk melayan permintaan dan tidak menyimpan kandungan itu selepasnya, sama ada dalam log, cache atau data latihan. Rekod tanpa kandungan seperti bilangan token dan masa biasanya masih disimpan.
Pertuturan
- Cap masa (timestamps) dalam speech-to-text
- Cap masa dalam speech-to-text ialah masa mula dan tamat, dalam saat, yang dilampirkan pada bahagian transkrip. Cap masa segmen meliputi satu frasa atau ayat; cap masa perkataan meliputi setiap perkataan. Ia diperlukan untuk sari kata, carian dalam rakaman dan menyelaraskan teks dengan penutur.
- Diarisasi penutur (speaker diarization)
- Diarisasi penutur ialah tugas membahagikan rakaman audio kepada segmen mengikut penutur, menjawab soalan "siapa bercakap dan bila". Ia melabelkan setiap bahagian pertuturan dengan ID penutur tanpa nama seperti SPEAKER_00, dan biasanya digabungkan dengan transkrip untuk menunjukkan siapa yang menyebut setiap baris.
- Kadar ralat aksara (character error rate, CER)
- Kadar ralat aksara (CER) mengukur ketepatan transkripsi atau OCR pada peringkat aksara: penggantian, pemadaman dan penyisipan yang diperlukan untuk menukar output kepada teks rujukan, dibahagikan dengan bilangan aksara dalam rujukan. Lebih rendah lebih baik, dan 0 ialah padanan sempurna.
- Kadar ralat perkataan (word error rate, WER)
- Kadar ralat perkataan (WER) ialah ukuran ketepatan standard untuk pengecaman pertuturan: bilangan penggantian, pemadaman dan penyisipan perkataan yang diperlukan untuk menukar transkrip kepada rujukan yang betul, dibahagi dengan bilangan perkataan dalam rujukan. Lebih rendah lebih baik.
- Kadar sampel (sample rate)
- Kadar sampel ialah bilangan sampel audio yang diambil setiap saat, diukur dalam hertz (Hz). Model pengecaman pertuturan lazimnya menjangkakan audio mono 16,000 Hz (16 kHz). Bersama kedalaman bit dan bilangan saluran, kadar sampel menentukan saiz fail audio tanpa mampatan bagi setiap minit.
- Ogg Opus
- Ogg Opus ialah audio yang dikodkan dengan codec Opus (RFC 6716) dan disimpan dalam bekas Ogg (RFC 7845). Ia dibina untuk pertuturan dan audio interaktif pada kadar bit rendah, dan merupakan format yang digunakan WhatsApp untuk nota suara, biasanya sebagai fail .ogg atau .opus.
- Pengesanan aktiviti suara (VAD)
- Pengesanan aktiviti suara (VAD) ialah langkah pemprosesan isyarat yang mengelaskan bingkai audio pendek sebagai pertuturan atau bukan pertuturan. Sistem pertuturan menggunakannya untuk melangkau senyap, memecahkan rakaman panjang pada jeda, mengesan bila penutur selesai bercakap, dan mengelak daripada mentranskripsi bunyi latar.
- Penukaran kod (code-switching)
- Penukaran kod ialah penggunaan dua atau lebih bahasa, atau varian satu bahasa, dalam perbualan atau ayat yang sama, sama ada dalam pertuturan atau penulisan. Contohnya penutur Arab yang mencampurkan perkataan Inggeris ke dalam dialek, atau bertukar antara Bahasa Arab Standard Moden dan dialek mereka.
- Sari kata SRT (SRT subtitles)
- SRT (SubRip) ialah format sari kata teks biasa. Setiap kapsyen terdiri daripada nombor urutan, masa mula dan tamat yang ditulis sebagai hh:mm:ss,mmm --> hh:mm:ss,mmm, satu atau lebih baris teks, dan satu baris kosong. WebVTT ialah format web serupa yang digunakan oleh video HTML.
- Speech-to-text (pertuturan kepada teks)
- Speech-to-text, juga dipanggil pengecaman pertuturan automatik (ASR), ialah teknologi yang menukar audio pertuturan kepada teks bertulis. API speech-to-text menerima fail atau strim audio dan memulangkan transkrip, biasanya berharga setiap minit audio. Ketepatan diukur dengan kadar ralat perkataan dan berbeza mengikut loghat, dialek dan kualiti rakaman.
- Teks kepada pertuturan (text-to-speech, TTS)
- Teks kepada pertuturan (text-to-speech, TTS), atau sintesis pertuturan, menukar teks bertulis kepada audio pertuturan. API TTS menerima teks, suara dan format output seperti MP3 atau WAV, lalu memulangkan pertuturan yang dijana. Ia kebalikan speech-to-text, yang menukar audio kepada teks.
- WAV
- WAV (Waveform Audio File Format, atau WAVE) ialah bekas audio yang dibina di atas format RIFF Microsoft dan IBM. Ia biasanya memuatkan sampel PCM linear tanpa mampatan, jadi saiznya boleh diramal: kadar sampel darab bait setiap sampel darab bilangan saluran, bagi setiap saat.
Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity