1. Checkpoint 大模型：Checkpoint 大模型是一种深度学习模型，通过将模型参数保存到磁盘上并随时恢复它们来避免重新训练模型的昂贵成本和时间。这种方法可以使用较少的内存和计算资源来加载大型模型，并在需要时恢复模型参数以进行预测。

2. VAE：变分自编码器(Variational Autoencoder,VAE)是一种深度学习模型，用于无监督学习，其中模型被训练以重建输入数据。VAE 由两部分组成：编码器和解码器。编码器将输入数据编码为一个低维度的潜在向量，而解码器则将潜在向量解码为重建数据。VAE 通过最大化重建数据的概率来学习数据的潜在分布。

3. LoRA：低秩适配(Low-Rank Adaptation,LoRA)是一种用于迁移学习的方法，它允许在新任务上微调预训练模型，同时保持原始预训练模型的不变。LoRA 通过在预训练模型的输出和任务特定模型的输入之间引入一个低秩适配矩阵来实现这一点，从而最小化对原始预训练模型的影响。

4. Embedding：嵌入(Embedding)是一种将输入数据映射到连续向量空间的技术，通常用于自然语言处理、计算机视觉和推荐系统等领域。嵌入模型将输入数据(如单词、图像或用户)映射到固定大小的向量，这些向量可以用于后续的机器学习任务，如分类、聚类和预测。

5. Controlnet:ControlNet 是一种用于生成图像的深度学习模型，它通过在生成过程中引入外部控制信号来改进生成质量。ControlNet 通过将外部控制信号(如文本描述、关键点或方向向量)与生成网络的输入相结合来实现这一点，从而允许更精细的控制生成的图像内容。