AI 标尺通常指的是在人工智能领域中用于衡量或评估模型性能、数据质量、算法效率等的工具或指标。这些标尺可以帮助研究人员和开发者了解模型的表现，并进行优化和改进。以下是一些常见的 AI 标尺：

1、准确性 (Accuracy)：衡量模型预测正确的样本占总样本的比例。

2、精确率 (Precision)：在所有被模型预测为正类的样本中，实际为正类的比例。

3、召回率 (Recall)：在所有实际为正类的样本中，模型正确预测为正类的比例。

4、F1 分数 (F1 Score)：精确率和召回率的调和平均值，综合考虑了两者。

5、ROC 曲线 (Receiver Operating Characteristic Curve) 和 AUC (Area Under the Curve)：用于评估分类模型的性能，特别是在不同阈值下的表现。

6、均方误差 (Mean Squared Error, MSE)：回归任务中常用的损失函数，衡量预测值与真实值之间的差异。

7、R² 值 (Coefficient of Determination)：回归模型的解释能力，表示模型能解释的数据变异比例。

8、训练时间 (Training Time)：衡量模型训练所需的时间，影响模型的效率和实用性。

9、推理时间 (Inference Time)：模型在部署后进行预测所需的时间，影响实时应用的性能。

10、参数量 (Number of Parameters)：模型中参数的数量，影响模型的复杂度和计算需求。

这些标尺可以根据具体的应用场景和任务选择使用，帮助开发者和研究人员更好地理解和优化他们的 AI 模型。