一句话定义：潜空间（Latent Space）是模型内部用来表示数据的一个压缩坐标系——它不记录每个像素、每个字，只记录"这堆数据在哪些关键维度上处于什么位置"。
先把"空间"这个词说清楚
一张 100 万像素的照片，在计算机里就是 300 万个数字，可以想象成 300 万维空间里的一个点。问题是这个空间太"浪费"了：随手改几个像素，点在空间里挪了一大截，但照片看起来几乎没变。
潜空间做的是另一件事：把这 300 万个数字压成几十到几百个数字，并要求压缩过程中"不能丢关键信息"。于是同一张照片变成一个很短的点。这个新坐标系就是潜空间。
打个比方：世界是三维的，地图把它压成二维，但你在地图上仍然能判断"北京离上海比离广州远"。地图丢掉了高度，却保留了距离关系。潜空间就是模型给数据画的那张地图，维度少了，但"谁和谁像"这个关系还在。
它为什么有用
第一，近就是像。在潜空间里，两个点离得近，通常意味着它们描述的东西相似。所以"找相似"变成了"算距离"，检索、聚类、推荐都建立在这件事上。
第二，能连续移动。像素里"猫"和"狗"之间没有中间态，潜空间里却可以走一条路：稍微加一点毛、减一点耳朵。这就是生成模型能做出渐变效果的原因。
第三，便宜。在潜空间里做计算，比在原始像素上做计算省得多。扩散模型（AI 词典：Diffusion Model">Diffusion Model）的常见做法就是：先把图压进潜空间，在那里去噪生成，最后再解码回像素。
| 对比项 | 像素/文字空间 | 潜空间 |
|---|---|---|
| 维度 | 很高，上百万 | 低得多，几十到几百 |
| 每个维度 | 一个具体像素/字符 | 一个抽象特征，通常没有名字 |
| 距离的含义 | 数值差异，未必是语义差异 | 更接近"语义相似" |
| 能不能插值 | 中间态往往是无意义的噪声 | 中间态通常还是有意义的内容 |
和相邻概念的区别
- 嵌入（Embedding）：常指把某个对象（一个词、一张图、一个商品）映射成向量。它是潜空间里的一个点，而潜空间更像那个坐标系本身。日常语境里两者常混用，不较真问题不大。
- 特征空间（Feature Space）：更强调"人手工或中间层挑出来的、可以命名的特征"。潜空间里的维度通常没有名字，是模型自己学出来的。
- 原始输入空间：就是像素、字符、音频采样点。它是给人看的，潜空间是给模型算的。
对你意味着什么
做工程的人：向量数据库检索、推荐召回、异常检测，本质上都是"在潜空间里找邻居"，所以向量质量比算法花哨更重要——而向量质量取决于训练数据。
不做技术的人：可以记住一句话——模型不是在像素和文字上思考，而是在一个被压缩过的坐标里思考。它丢掉的是细节，留下的是关系。这也解释了为什么模型有时"大局对、细节错"：它看到的一直是那张地图，不是你眼前的那片地面。
具体模型的维度设置、接口参数，以官方文档为准。