写在前面欢迎大家关注Rocky的知乎Rocky DingAIGC/LLM/AI Agent算法工程师/开发工程师面试面经秘籍分享WeThinkIn/Interview-for-Algorithm-Engineer欢迎大家StarAIGC时代的《三年面试五年模拟》AI算法工程师/开发工程师求职面试秘籍独家资源【三年面试五年模拟】AI算法工程师面试秘籍Rocky最新撰写AI AgentAI智能体的深入浅出全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识AIGC算法岗/开发岗面试面经交流社群涵盖AI Agent、AIGC图像创作、AI视频、LLM大模型、AI多模态、数字人、传统深度学习、具身智能等AIGC面试干货资源欢迎大家加入https://t.zsxq.com/33pJ0大家好我是Rocky。核心导读2026 年 7 月 9 日OpenAI 同时释放了三组非常关键的信息GPT-5.6 发布、GPT-5.6 System Card、以及 ChatGPT Work。如果只看第一条很容易把它理解成又一次模型升级GPT-5.6 更聪明、更高效、有 Sol、Terra、Luna 三个 tier支持更强的推理、写作、代码、科学与网络安全能力。但 Rocky 认为这次真正值得讨论的不是 OpenAI 又把模型分数往前推了一格而是它正在把“模型能力”重新包装成一个可持续工作的生产系统。GPT-5.6 是底层智能供给ChatGPT Work 是面向用户的工作承载形态Deployment Safety Hub 里的 System Card则是这套能力进入真实世界之前必须配套的安全治理层。三者合在一起看OpenAI 的战略信号很清晰大模型竞争正在从“谁的模型更聪明”进入“谁能把智能变成可调度、可治理、可交付的工作系统”。这件事对 AI 行业很重要。过去两年大量产品还停留在 Chatbot 逻辑里用户问一句模型答一句用户给一个任务模型产出一段文本再强一点也只是帮你写代码、做表格、总结文件。但 ChatGPT Work 的方向已经不只是回答而是持续行动。它可以跨 apps 和 files 工作必要时持续数小时最终交付 sheets、slides、docs、web apps甚至承担 scheduled tasks。换句话说OpenAI 正在试图把 ChatGPT 从“对话界面”升级成“工作操作系统”。这也是 GPT-5.6 的真正背景。一个模型如果只是更强它仍然是能力但如果它能被产品系统调度、被工具链约束、被安全策略治理、被企业流程接纳它才可能变成基础设施。1. 这次不是单点模型发布而是三层系统同时推进这次 OpenAI 的三个官方信息分别对应智能生产系统的三层。第一层是模型能力层GPT-5.6 family。官方把 GPT-5.6 分成 Sol、Terra、Luna 三个模型。Sol 是旗舰模型强调最高能力Terra 面向日常复杂工作追求能力和成本平衡Luna 则是最快、最经济的模型。这个分层本身就说明 OpenAI 不再只卖一个“最聪明模型”而是在卖不同工作负载下的智能资源。第二层是工作产品层ChatGPT Work。ChatGPT Work 不是一个普通聊天功能而是 ChatGPT 里的 agent。它的定位是跨应用、跨文件、跨工具执行复杂目标把用户的意图变成 finished work。官方提到它能生成 spreadsheet、presentation、document、web app也能用 Scheduled Tasks 承担重复性工作。第三层是安全治理层GPT-5.6 System Card。安全卡不是附属材料而是产品化基础设施的一部分。GPT-5.6 的能力越强越涉及网络安全、生物化学、计算机使用、代码执行、长程 agent 行为、工具调用和多 agent 协作风险治理就越不能停留在“模型拒答”这一层。System Card 里覆盖了 preparedness、safeguards、model safety、monitoring、trusted access 等说明 OpenAI 已经把安全看成部署系统的一部分。这三层放在一起才是 GPT-5.6 真正的行业含义。如果说 GPT-4 时代的核心问题是“模型能不能理解复杂问题”GPT-5 时代的问题是“模型能不能执行复杂任务”那 GPT-5.6 这一波释放出来的信号更进一步模型不仅要执行任务还要在真实组织环境里可调度、可审计、可分层、可治理、可持续交付。2. GPT-5.6OpenAI 正在把智能拆成不同“算力预算”GPT-5.6 最表层的信息是模型家族升级。Sol、Terra、Luna 三个 tier 其实非常值得拆。它们不是简单的大中小号模型而是在定义不同工作类型下的智能预算。Luna 适合高频、低延迟、成本敏感的任务。比如快速分类、草稿生成、轻量总结、简单客服、批量结构化处理。这里用户更关心吞吐和价格而不是一次任务榨出最高智力。Terra 适合大多数日常复杂工作。它可能会成为企业内部知识工作、产品运营、研发协作、内容生产、数据分析里最常用的均衡层。对大多数团队来说真正高频发生的不是极限科研推理而是足够聪明、足够稳定、足够便宜的日常智能。Sol 则面向最难任务。比如复杂科学推理、长程代码重构、深度研究、网络安全分析、跨文件知识工作、复杂设计决策。这里用户愿意用更高成本换更高成功率。Rocky 认为这个分层意味着一个重要趋势未来企业买的不是单一大模型而是一套可调度的智能资源池。就像云计算不是只卖最强 CPU而是卖不同规格实例、不同存储、不同网络、不同加速器。大模型也正在走向类似路径轻任务用便宜模型复杂任务用旗舰模型极难任务开启更高推理预算多 agent 并行处理工具调用负责外部执行。OpenAI 在 GPT-5.6 里强调“efficient by default, maximum performance on demand”这句话翻成产业语言就是默认效率优先必要时购买更高智能投入。这会改变 AI 产品的成本结构。早期很多 AI 应用失败不是模型不强而是单位经济账算不过来。用户要求低价甚至免费但背后每次调用都在烧高成本模型。GPT-5.6 的 tier 化和max、ultra等更高投入设置本质上是在给开发者一个更细的调度空间普通任务不要浪费旗舰模型关键任务再调用高强度推理和多 agent。真正成熟的 AI 应用未来很可能不再写死一个模型而是内置任务路由什么任务走 Luna什么任务走 Terra什么任务走 Sol什么时候开max什么时候开ultra什么时候拆给多个 agent 并行什么时候需要人工确认。模型选择会变成产品架构的一部分。3. Programmatic Tool Calling模型不只会“说”开始会“写临时程序”GPT-5.6 发布页里有一个非常关键但容易被忽略的能力Programmatic Tool Calling。官方描述的大意是模型可以在 Responses API 里写并执行轻量程序处理中间数据然后只把需要的信息传递给外部工具。这个能力的价值不只是“模型会调用工具”而是模型开始拥有一种更接近软件工程的中间工作方式。传统 function calling 的逻辑是模型判断要调用哪个函数填参数等结果再继续回答。它适合明确工具调用但对复杂数据处理、中间步骤筛选、多文件多表格转换并不总是优雅。Programmatic Tool Calling 更像是让模型拥有一个临时工作台。它可以先写一段小程序把数据预处理、过滤、转换、聚合再决定怎么把结果交给工具。这会让模型在复杂工作流里更像一个工程师而不是只像一个会填参数的调用器。这件事的行业意义在于Agent 的瓶颈往往不在“是否能调用工具”而在“工具之间的中间状态如何管理”。真实工作不是线性的。比如做市场分析模型可能要读取多个表格清洗字段过滤异常值生成中间统计判断哪些指标值得进一步调查再调用浏览器或数据库再把结果写进幻灯片。中间会产生大量不适合直接暴露给最终用户的数据。如果模型只会对话它很容易把过程写成一堆文本。如果模型能写临时程序它就可以更有效地处理结构化中间状态。Rocky 认为这会让 AI Agent 从“自然语言机器人”更接近“临时软件系统生成器”。用户给的是目标模型内部会动态生成一小段程序、一组工具调用、一套中间数据流最后交付结果。这也是未来开发者需要关注的方向。不要只盯着 Prompt 怎么写更要研究模型如何和程序执行环境、工具权限、数据上下文、审计日志、安全边界结合起来。4. Multi-agent 与 UltraOpenAI 开始把“并行智能”产品化GPT-5.6 另一个重要信号是 multi-agent beta 和ultra设置。官方提到ultra默认会协调多个 agent 并行工作用更多计算换更难任务的表现。这句话背后其实有一个很大的产品判断复杂工作不一定应该由一个模型单线程完成。人类组织处理复杂任务时很少只靠一个人从头做到尾。研究任务需要有人查资料有人验证数据有人写初稿有人做图表有人审稿。软件工程里也一样有人写代码有人测试有人 review有人部署。多 agent 的方向就是把这种组织协作逻辑搬进 AI 系统。这会带来三个变化。第一任务会被拆解。模型需要理解一个目标可以拆成哪些子任务哪些可以并行哪些需要串行依赖。第二结果需要聚合。多个 agent 同时工作最终必须有一个 synthesis 层判断冲突、取舍证据、合并输出而不是把多个答案拼接在一起。第三成本会显性化。多 agent 不是免费午餐。它会带来更多 token、更多工具调用、更多延迟。只有在任务价值足够高时这种计算投入才合理。这就是为什么 OpenAI 把它放在ultra这类更高投入设置里而不是默认让所有任务都多 agent 化。Rocky 认为未来 AI 产品会越来越像“智能调度系统”。用户不会关心背后到底调用了几个 agent但产品必须判断这个任务值不值得多 agent哪些部分需要验证哪些部分可以用低成本模型哪些部分必须上旗舰模型。这对创业者也有一个提醒不要把“多 agent”当成产品卖点本身。真正的价值不在于后台有几个 agent而在于任务成功率、交付质量和单位成本能否明显改善。5. ChatGPT Work从聊天窗口到工作操作系统如果 GPT-5.6 是底层智能资源ChatGPT Work 就是这套智能资源面向用户的产品形态。官方把 ChatGPT Work 描述为 ChatGPT 里的 agent可以跨 apps 和 files 执行动作必要时持续工作数小时把目标变成 finished work。它可以产出 sheets、slides、docs、web apps也能承担 scheduled tasks。这说明 ChatGPT 的边界正在变化。过去ChatGPT 更像一个超强对话伙伴。它可以帮你想、帮你写、帮你解释、帮你改。到了 ChatGPT WorkOpenAI 想让它变成一个真正能接管任务链条的工作伙伴不仅理解目标还能操作文件、调用应用、写代码、生成文档、构建网站、安排重复任务。这背后的产品逻辑很清楚用户真正想买的不是回答而是完成。一个销售团队不需要“关于客户的建议”它需要可发送的邮件、更新后的 CRM、整理好的会议纪要和下一步跟进计划。一个财务团队不需要“如何做预算分析”它需要可审查的表格、异常解释、趋势图和管理层汇报。一个产品团队不需要“帮我想一个网页”它需要可运行的 web app 原型。ChatGPT Work 的价值就是试图把模型从“建议生成器”变成“交付物生成器”。这件事如果成功会直接改变知识工作软件的竞争格局。过去 SaaS 工具的核心是功能菜单表格、文档、演示、项目管理、代码、设计、CRM各自有自己的界面和工作流。AI 时代的入口可能会变成目标描述用户说要完成什么系统自动决定调用哪些应用、读取哪些文件、生成哪些中间结果、最终交付什么格式。这不是简单替代 Office 或 Notion而是让应用从主界面变成工具层。用户面向 ChatGPT 描述目标ChatGPT 再调度 apps 和 files。Rocky 认为这就是“聊天窗口变成工作操作系统”的真正含义。6. Codex 融入 ChatGPT Work代码能力正在从开发工具变成通用工作能力ChatGPT Work 官方页面里还有一个非常关键的信息它内置 Codex 技术并由 GPT-5.6 驱动同时Codex app 正在合并到新的 ChatGPT desktop app。这件事非常有意思。过去我们会把 Codex 理解成开发者工具写代码、修 bug、读仓库、做 review、跑测试。但当 Codex 技术进入 ChatGPT Work代码能力就不再只是程序员的专属能力而会变成知识工作的通用执行层。为什么因为现代知识工作本质上越来越软件化。做数据分析需要脚本做报告需要自动生成图表做运营需要批量处理内容做销售需要整理表格和 CRM做产品需要构建原型做研究需要抓取、清洗、验证信息。很多工作不是传统意义上的“写软件”但都需要软件能力作为杠杆。过去没有编程能力的人只能依赖现成软件菜单。AI 之后用户可以用自然语言描述目标Codex 类能力在后台临时生成脚本、网页、自动化流程、数据处理逻辑。这会让 Vibe Coding 从开发者场景扩展到普通知识工作者场景。真正的变化不是“人人都要成为程序员”而是“越来越多工作会被转译成临时软件任务”。谁能清楚定义问题、拆解流程、判断结果谁就能借助 AI 把原本需要技术团队支持的事情自己推进一大截。这也是为什么 OpenAI 要把 Codex app 合并进 ChatGPT desktop app。桌面端能访问本地文件和应用带 browser 和 computer use再加上 Codex 的代码执行能力ChatGPT 就更像一个站在用户电脑旁边的工作代理。当然这里会带来新的安全和权限问题。能操作本地文件、能调用浏览器、能执行代码意味着它必须有更清晰的授权、确认、审计和回滚机制。能力越接近真实工作安全边界越不能模糊。7. Sites、Plugins 与 DesktopOpenAI 正在补齐“交付物形态”ChatGPT Work 不只是 agent。官方同时提到 Sites in ChatGPT public beta、plugins、desktop app 等产品形态。Sites 的意义是让 ChatGPT 可以生成可分享的 interactive site 或 web app。过去模型产出往往停留在文本、代码片段、设计建议。Sites 让输出更接近可被他人访问、展示、试用的交付物。Plugins 的意义是让 ChatGPT Work 能接入更多应用和服务。没有外部工具连接agent 就只能在模型内部想象有了 plugins它才可能真正进入业务系统。Desktop 的意义是把 ChatGPT 从网页对话框带到用户真实工作环境里。很多关键文件、应用、窗口、浏览器任务都在桌面端。只有进入桌面ChatGPT 才能更接近“帮我完成这件事”而不是“告诉我怎么完成这件事”。这三者对应的是交付物、连接器和工作环境。Rocky 认为很多人低估了“交付物形态”的重要性。AI 不是只要模型强就能改变工作。用户最终要的是可以发给老板的 PPT、可以分享给客户的网站、可以导入系统的表格、可以运行的代码、可以复用的自动化任务。所以真正有价值的 AI 产品不只是让模型回答得更好而是把回答转化成组织可接受的交付格式。这就是 ChatGPT Work 的产品野心。8. System Card安全不再是模型附录而是产品架构的一部分GPT-5.6 System Card 里最值得关注的不是某一个具体指标而是安全评估的结构。根据官方 System CardGPT-5.6 在 cybersecurity 和 biological/chemical capabilities 上达到 High capability但没有达到 AI Self-Improvement 的 High threshold也没有达到 cyber/biology 的 Critical threshold。OpenAI 同时强调针对不同能力画像部署了定制 safeguards包括模型训练、实时检测、监控、账号级 enforcement、reasoning monitor、trusted access 等。这说明一个问题能力越强安全越不能只靠单层拒答。早期模型安全更多是内容安全不回答危险问题不生成违规内容。但当模型能写代码、操作电脑、调用工具、多 agent 协作、处理长期任务时风险就从内容层扩展到行动层。行动层风险更复杂。比如模型是否会在没有确认的情况下删除数据是否会因为 prompt injection 泄露文件是否会把防御性网络安全任务误判成攻击或者把攻击性任务包装成研究是否会在多 agent 协作中绕过原本约束是否会在长程任务里逐步偏离用户意图这些问题无法只靠一句系统提示解决。OpenAI System Card 的信号是安全治理必须进入架构模型内对齐、外部监控、工具权限、用户确认、环境分级、Trusted Access、持续评估、红队和真实世界反馈要组合起来。Rocky 认为这一点对所有 AI Agent 公司都很关键。Agent 产品如果只展示“能自动做事”但没有清晰权限边界和安全审计越强反而越危险。企业客户真正愿意部署的 agent不只是能力强而是可控、可回滚、可审计、可分权。安全不是减速器而是进入企业生产的准入证。9. 对开发者的影响从 Prompt 工程转向智能系统工程GPT-5.6 和 ChatGPT Work 给开发者的最大提醒是开发范式正在变化。过去很多开发者把 AI 应用理解成三件事选模型、写 prompt、接 API。这个阶段已经不够了。未来更重要的是智能系统工程。第一你要会做任务路由。不同任务匹配不同模型、不同推理强度、不同工具链。不要所有请求都打给最贵模型也不要为了省钱让复杂任务失败。第二你要会设计工具边界。模型能调用什么工具工具有什么权限哪些动作需要用户确认哪些数据不能传出去哪些中间状态需要留日志。第三你要会管理长程任务。Agent 做几小时任务时如何保存上下文、如何恢复中断、如何验证阶段性结果、如何避免方向漂移都会变成工程问题。第四你要会做成本和质量评估。多 agent 和 ultra 模式提高成功率但也提高成本。真正的产品经理和工程师必须知道哪些场景值得用高智能哪些场景只需要低成本自动化。第五你要会设计交付物。AI 输出不是一段回答就结束。用户需要文档、表格、幻灯片、网页、代码、系统更新、消息发送。交付物格式本身就是产品体验。Rocky 认为未来优秀的 AI 开发者不会只是 Prompt 写得好而是懂模型、懂工具、懂产品、懂数据、懂权限、懂工作流、懂成本。这就是全栈化在 AI 时代的新含义。10. 对创业者和投资人的影响单点 AI 工具会越来越难OpenAI 这次释放的信息对 AI 创业者其实并不轻松。当 ChatGPT Work 开始跨 apps、files、desktop、browser、Codex、Sites、plugins 形成闭环时很多单点效率工具都会面临更强的平台压力。过去一个创业项目可以围绕“帮你做 PPT”“帮你写邮件”“帮你分析表格”“帮你生成网页原型”做产品。但如果 ChatGPT Work 能把这些能力放进同一个目标驱动的 agent 里单点工具的生存空间就会被压缩。这不是说单点工具没有机会而是说机会会变窄。真正能活下来的 AI 产品可能需要具备以下几类壁垒壁垒类型核心含义为什么重要场景深度深入某个行业的真实流程、规则、数据和交付标准通用 agent 不一定懂细分行业细节数据闭环拥有持续积累的业务数据和反馈模型能力可以购买业务数据更难复制工作流控制能嵌入组织流程、权限、审批、合规、审计企业买的是可落地系统不是单次回答分发入口已经在用户日常工作位置上用户不愿意频繁切换工具交付确定性能稳定交付某类结果并承担异常处理企业更看重成功率和责任边界Rocky 的判断是AI 创业的上半场奖励 Demo下一阶段奖励系统。一个单点功能如果不能沉淀为数据、流程、交付和分发很容易被平台吸收。这也是一级市场需要校准的地方。技术新奇不等于商业确定性。真正值得长期下注的 AI 项目必须回答你的价值是否会被 OpenAI、Google、Anthropic、Microsoft、阿里、字节、腾讯这类平台吸收如果会你还有什么留得住客户11. 对中国 AI 产业的启发不要只追模型参数要追工作闭环GPT-5.6 和 ChatGPT Work 对中国 AI 公司也有明显启发。国内大模型竞争过去很容易陷入参数、榜单、价格和开源权重之争。这些当然重要但 OpenAI 这次真正展示的是“模型 产品 工具 安全 生态”的组合打法。如果只追模型能力很容易变成同质化内卷。模型一代代变强价格一轮轮下降最后大家都在卖 token。如果能把模型放进真实工作闭环价值就不一样了。比如政企知识工作、制造业设计流程、跨境电商内容生产、金融投研、医药研发、软件工程、教育内容生成、客服与销售协同这些场景里真正的难点不只是模型回答而是数据接入、权限控制、流程改造、行业规则、交付格式和安全审计。中国 AI 公司最应该学习的不是 OpenAI 的某一个模型名而是它把能力层层产品化的方式。GPT-5.6 做智能资源分层ChatGPT Work 做工作入口Desktop 做环境入口Plugins 做工具连接Sites 做交付物System Card 做安全治理。每一层都在回答一个商业问题用户为什么要持续使用企业为什么敢部署开发者为什么愿意接入平台为什么能形成生态。这是更值得拆解的地方。12. 边界与风险OpenAI 的路线也不是没有问题当然OpenAI 这条路线并不是没有挑战。第一成本问题会更突出。ultra、multi-agent、长程任务、computer use 都意味着更高计算和更长执行时间。用户愿不愿意为“更高任务成功率”付费还需要真实市场检验。第二可靠性问题会更复杂。一个回答错了用户可以重问一个 agent 做了几个小时把文件改错、数据删错、邮件发错后果就完全不同。工作系统的容错要求远高于聊天系统。第三安全与体验会不断拉扯。确认太少风险上升确认太多效率下降。如何设计恰到好处的权限和确认机制是所有 agent 产品的难题。第四企业治理会成为关键门槛。真正的大企业不会只问“模型有多强”还会问数据如何隔离、日志如何审计、权限如何分级、失败如何追责、合规如何满足。第五平台生态也会带来冲突。当 ChatGPT 自己能生成文档、表格、网站、自动化任务时第三方插件和垂直 SaaS 既是伙伴也可能成为被吸收对象。所以Rocky 并不认为 ChatGPT Work 一发布就会立刻改造所有工作。真正的变化通常不会瞬间完成而是在一次次具体工作流里渗透先从助理任务开始再进入部门流程再进入跨系统协作最后改变组织的工作方式。结语模型竞争的下一站是可交付的智能生产系统GPT-5.6 的发布如果只看成模型升级就看小了。更重要的是OpenAI 正在试图回答一个更大的问题当模型越来越聪明之后怎样把它变成真实工作中的生产力答案不是更大的聊天框而是一整套系统模型分层、推理预算、工具调用、临时程序执行、多 agent 协作、桌面环境、文件权限、应用连接、交付物生成、安全监控和企业治理。这就是 AI 行业正在进入的新阶段。上半场大家争论模型能不能答得像人。中场大家争论模型能不能完成任务。下半场真正的竞争会变成谁能把模型变成组织可持续使用的工作系统。Rocky认为GPT-5.6 与 ChatGPT Work 的组合最值得记录的一点是OpenAI 正在把“大模型”从一个能力名词变成一个生产关系名词。它不再只是帮你写一段话、生成一段代码、回答一个问题。它想进入你的文件、应用、浏览器、桌面、团队流程和长期任务成为知识工作中的调度中心。这件事的机会很大风险也很大。对个人来说真正应该提升的不是某个工具技巧而是定义问题、拆解任务、判断结果、组织交付的能力。工具会迭代模型会换代但这种跨周期认知会持续升值。对企业来说不要只问“哪个模型最强”而要问“哪套智能系统能进入我的业务闭环并且可控、可审计、可持续”。对创业者来说不要只围绕一个 API 做壳。平台会越来越强单点功能会不断被吸收。真正的护城河来自场景深度、数据闭环、工作流控制和交付确定性。这就是 GPT-5.6 给 AI 行业的真实信号智能本身正在商品化能把智能变成生产系统的人才会拿到下一阶段的红利。参考资料OpenAI: GPT-5.6: Frontier intelligence that scales with your ambition, https://openai.com/index/gpt-5-6/OpenAI Deployment Safety Hub: GPT-5.6 System Card, https://deploymentsafety.openai.com/gpt-5-6OpenAI: ChatGPT is now a partner for your most ambitious work, https://openai.com/index/chatgpt-for-your-most-ambitious-work/推荐阅读1. 深入浅出完整解析AI AgentAI智能体的核心基础知识2025年可以说是AI Agent全面落地应用的元年因此Rocky在持续撰写对AI Agent的全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识2. 深入浅出完整解析扩散模型DDPM、DDIM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识和Rocky一起学习探究扩散模型的本质原理与和核心基础知识同时不断跟进扩散模型的最新发展。Rocky在本文中对扩散模型的本质做了全面系统的梳理与讲解深入浅出完整解析扩散模型DDPM、DDIM、SDE、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识3. 深入浅出完整解析FLUX.2、Seedream即梦、Z-image、GLM-Image核心基础知识https://zhuanlan.zhihu.com/p/19751746910491895624. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识5. 深入浅出完整解析DeepSeek系列核心基础知识深入浅出完整解析DeepSeek系列核心基础知识6、Sora等AI视频大模型的核心原理核心基础知识网络结构经典应用场景从0到1搭建使用AI视频大模型从0到1训练自己的AI视频大模型AI视频大模型性能测评AI视频领域未来发展等全维度解析文章正式发布码字不易欢迎大家多多点赞Sora等AI视频大模型文章地址深入浅出完整解析Sora、Wan2.1、AnimateDiff、CogVideoX等AI视频大模型核心基础知识7、Stable Diffusion 3和FLUX.1核心原理核心基础知识网络结构从0到1搭建使用Stable Diffusion 3和FLUX.1进行AI绘画从0到1上手使用Stable Diffusion 3和FLUX.1训练自己的AI绘画模型Stable Diffusion 3和FLUX.1性能优化等全维度解析文章正式发布码字不易欢迎大家多多点赞Stable Diffusion 3和FLUX.1文章地址深入浅出完整解析Stable Diffusion 3SD 3和FLUX.1系列核心基础知识8、Stable Diffusion XL核心基础知识网络结构从0到1搭建使用Stable Diffusion XL进行AI绘画从0到1上手使用Stable Diffusion XL训练自己的AI绘画模型AI绘画领域的未来发展等全维度解析文章正式发布码字不易欢迎大家多多点赞Stable Diffusion XL文章地址深入浅出完整解析Stable Diffusion XLSDXL核心基础知识9、Stable Diffusion 1.x-2.x核心原理核心基础知识网络结构经典应用场景从0到1搭建使用Stable Diffusion进行AI绘画从0到1上手使用Stable Diffusion训练自己的AI绘画模型Stable Diffusion性能优化等全维度解析文章正式发布码字不易欢迎大家多多点赞Stable Diffusion文章地址深入浅出完整解析Stable DiffusionSD核心基础知识10、ControlNet核心基础知识核心网络结构从0到1使用ControlNet进行AI绘画从0到1训练自己的ControlNet模型从0到1上手构建ControlNet商业变现应用等全维度解析文章正式发布码字不易欢迎大家多多点赞ControlNet文章地址深入浅出完整解析ControlNet核心基础知识11、LoRA系列模型核心原理核心基础知识从0到1使用LoRA模型进行AI绘画从0到1上手训练自己的LoRA模型LoRA变体模型介绍优质LoRA推荐等全维度解析文章正式发布码字不易欢迎大家多多点赞LoRA文章地址深入浅出完整解析LoRALow-Rank Adaptation模型核心基础知识12、深入浅出完整解析AIGC时代Transformer核心基础知识在AIGC时代中Transformer为AI行业带来了深刻的变革。Transformer架构正在一步一步重构所有的AI技术方向成为AI技术架构大一统与多模态整合的关键核心基座大有一统“AI江湖”之势。Rocky也对Transformer模型进行持续的深入浅出梳理与解析Transformer文章地址深入浅出完整解析AIGC时代Transformer核心基础知识13、最全面的AIGC面经《手把手教你成为AIGC算法工程师斩获AIGC算法offer2024年版》文章正式发布码字不易欢迎大家多多点赞AIGC面经文章地址手把手教你成为AIGC算法工程师斩获AIGC算法offer14、50万字大汇总《“三年面试五年模拟”之算法工程师的求职面试“独孤九剑”秘籍》文章正式发布码字不易欢迎大家多多点赞算法工程师三年面试五年模拟文章地址https://zhuanlan.zhihu.com/p/545374303《三年面试五年模拟》github项目地址希望大家能多多starhttps://github.com/WeThinkIn/Interview-for-Algorithm-Engineer15、Stable Diffusion WebUI、ComfyUI、Fooocus三大主流AI绘画框架核心知识从0到1搭建AI绘画框架从0到1使用AI绘画框架的保姆级教程深入浅出介绍AI绘画框架的各模块功能深入浅出介绍AI绘画框架的高阶用法等全维度解析文章正式发布码字不易欢迎大家多多点赞AI绘画框架文章地址深入浅出完整解析主流AI绘画框架ComfyUI、Stable Diffusion WebUI、Fooocus核心基础知识16、GAN网络核心基础知识网络架构GAN经典变体模型经典应用场景GAN在AIGC时代的商业应用等全维度解析文章正式发布码字不易欢迎大家多多点赞GAN网络文章地址https://zhuanlan.zhihu.com/p/66315730617. AI算法工程师的《三年面试五年模拟》求职秘籍AIGC时代的算法工程师的求职面试秘籍持续更新中18. AIGC产业的深度思考与分析2023年3月21日微软创始人比尔·盖茨在其博客文章《The Age of AI has begun》中表示自从1980年首次看到图形用户界面graphical user interface以来以OpenAI为代表的科技公司发布的AIGC模型是他所见过的最具革命性的技术进步。Rocky也认为AIGC及其生态会成为AI行业重大变革的主导力量。AIGC会带来一个全新的红利期未来随着AIGC的全面落地和深度商用会深刻改变我们的工作、生活、学习以及交流方式各行各业都将被重新定义过程会非常有趣。那么在此基础上我们该如何更好的审视AIGC的未来我们该如何更好地拥抱AIGC引领的革新Rocky准备从技术、产品、商业模式、长期主义等维度持续分享一些个人的核心思考与观点希望能帮助各位读者对AIGC有一个全面的了解深入浅出全面解析AIGC时代核心价值与发展趋势2025年版