英文：Latent Space 分类：foundation
模型内部用于表示数据的低维连续向量空间。原始数据（图像、文本、音频）被编码器压缩为潜在向量，这些向量承载数据的关键语义信息，是生成模型与表示学习的中枢：在潜在空间中做插值、算术与采样，即可生成或变换内容。
在自编码器与扩散模型中，编码器把高维输入映射为潜在变量，解码器再还原；变分自编码器（VAE）让潜在分布正则化，扩散模型在潜在空间逐步去噪。词嵌入空间是文本的潜在空间，其方向可编码语义属性（如"国王-王后≈男-女"）。
从 PCA、流形学习到 VAE、GAN 的隐空间，再到 Stable Diffusion 的潜空间扩散（Latent Diffusion），潜在空间成为生成式 AI 的核心概念，也推动了可解释性研究对内部表示的分析。
图像生成（文生图、图生图）、语音合成、风格迁移、异常检测（正常样本落在低密度区）与推荐系统的用户-物品表征学习。
相关词条：Transformer · 注意力机制 · 自注意力 · 提示词 · MoE 路由