一文读懂DINO核心基础知识

写在前面

欢迎大家关注Rocky的知乎：Rocky Ding AIGC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Star～

AIGC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 Agent（AI智能体）的深入浅出全维度解析文章： 深入浅出完整解析AI Agent（AI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

DINO 这篇论文表面上是在改进 DETR 系列目标检测器：加入 Contrastive DeNoising Training、Mixed Query Selection 和 Look Forward Twice，最终在 COCO 上把 DETR-like 模型推到新的 SOTA。

但 Rocky 认为，DINO 真正值得被认真读的地方，不只是它把 AP 做高了，而是它回答了一个更本质的问题：端到端模型如果想替代经典工程系统，不能只靠概念优雅，必须把训练稳定性、查询初始化、迭代优化和规模化能力一起补齐。

DETR 最初的价值，是把目标检测从“候选框、NMS、人工后处理”的工程堆叠，重新表述成一个集合预测问题。这是范式创新。但范式创新有一个残酷现实：如果收敛慢、性能低、可扩展性弱，它就只能是论文里的漂亮概念，很难成为产业一线真正可用的基础框架。DINO 的意义就在这里：它把 DETR-like 检测器从“理论上优雅”向“工程上强悍”推进了一大步。

论文给出的核心结果很直接：在 ResNet-50、多尺度特征、12 epoch 训练下，DINO 达到 49.4 AP，比当时最强 DETR-like 基线 DN-Deformable-DETR 高 6.0 AP；在 24 epoch 下达到 51.3 AP；在 SwinL + Objects365 预训练后，在 COCO val2017/test-dev 分别达到 63.2/63.3 AP。更关键的是，它不是靠更大的私有数据和更夸张的模型堆出来，而是在相对清晰、可解释的机制改进上，把端到端 Transformer 检测器推到了经典检测器阵营的前面。

Figure 1 是整篇论文的入口。左图说明 DINO 在 ResNet-50 这类相对标准的骨干网络下，不只是最终 AP 高，而且收敛速度更快；右图说明当模型和数据规模扩大后，DINO 在较小参数量和更少预训练数据条件下依然能冲到 SOTA。这里的本质不是“某个技巧涨点”，而是 DETR-like 路线第一次比较系统地证明：端到端检测不再只是优雅替代品，而可以成为性能主线。

问题背景：作者到底想解决什么

目标检测长期存在两条路线。

一条是经典检测器路线，例如 Faster R-CNN、RetinaNet、HTC、DyHead 等。它们依赖 RPN、anchor、NMS、proposal refinement、multi-stage head 等大量工程组件。优点是成熟、强大、可调；缺点也很明显：系统中存在许多人工设计的模块，整体优化不是完全端到端的。

另一条是 DETR 路线。DETR 用 Transformer 和二分图匹配把检测转成集合预测：模型直接输出一组目标，每个预测和真实框通过 Hungarian matching 建立一对一关系。这个路线最大的美感是，它天然不需要 NMS，也不需要手工设计 proposal 流程。

但早期 DETR 的问题也很硬：训练慢、收敛不稳定、查询含义不清晰、小目标性能弱。后续 Deformable DETR、DAB-DETR、DN-DETR 已经分别解决了其中一部分问题：

DINO 要解决的不是一个孤立问题，而是 DETR-like 模型能否真正成为主流检测框架的问题。论文把矛盾说得很清楚：当时 COCO leaderboard 上最强模型仍多来自经典检测器系统，原因有两个。第一，之前 DETR-like 模型性能还不够强；第二，DETR-like 模型在大 backbone、大数据预训练下的可扩展性没有被充分证明。

Rocky 认为，这也是很多 AI 技术路线都会经历的阶段：第一阶段靠概念胜出，第二阶段靠 benchmark 证明，第三阶段必须靠系统工程和规模化能力站住。DINO 做的是第二阶段到第三阶段之间的关键补课。

核心思路：用一句主线串起来

DINO 的主线可以概括成一句话：

把 DETR 的 query 从模糊的可学习向量，变成更稳定、更有空间先验、更懂拒绝错误候选、更能逐层优化的动态 anchor 系统。

这句话里有三个关键词。

第一是“稳定”。DETR 的 Hungarian matching 在训练早期容易不稳定，因为预测框和 GT 的对应关系会频繁变化。DN-DETR 通过带噪 GT query 稳住训练，DINO 进一步让 denoising 不只会“重建正确对象”，还会“拒绝错误对象”。

第二是“空间先验”。目标检测不是纯语义分类，它天然需要位置。DAB-DETR 已经把 query 表述成 4D anchor box，DINO 进一步从 encoder 输出中选择 top-K 空间位置作为 decoder 的 positional query 初值，但不直接拿 encoder feature 当 content query。

第三是“逐层优化”。DETR decoder 是多层迭代 refinement，每层都在更新 box。DINO 的 Look Forward Twice 让当前层的 box 更新不仅服务当前层 loss，也能被相邻下一层的预测反馈影响，从而更好地传递边界框优化信号。

Figure 2 展示了 DINO 的整体结构。图片里最值得注意的不是模块数量，而是信息流：backbone 提取多尺度特征，Transformer encoder 做特征增强，top-K encoder features 被用于初始化 positional queries，content queries 保持可学习；decoder 中同时存在正常 matching 分支和 contrastive denoising 分支，最终通过逐层更新 anchor box 输出检测结果。

从产品和工程角度看，这是一种很典型的“范式融合”：DINO 没有回到经典检测器的 RPN + NMS 体系，但它吸收了经典检测器中非常重要的空间先验思想。它说明一件事：端到端不是不要先验，而是要把先验变成可学习、可优化、可解释的结构。

方法展开：沿着论文原始逻辑拆解

1. Preliminaries：DINO 站在 DAB-DETR、DN-DETR、Deformable DETR 的交汇点上

理解 DINO，先要理解它继承的三个基础。

DAB-DETR 把 DETR decoder query 拆成 positional query 和 content query，并把 positional query 显式表示为一个 4D box：

(

x

,

y

,

w

,

h

)

(x,y,w,h)

(x,y,w,h)。这样一来，query 不再只是抽象 embedding，而变成了带空间意义的 anchor box。decoder 每一层都可以对这个 box 做 refinement。

DN-DETR 的核心是 denoising training。它把真实 GT label 和 box 加上噪声后送入 decoder，让模型学习从 noisy query 重建真实对象。噪声约束大致是：

∣

Δ

x

∣

<

λ

w

2

,

∣

Δ

y

∣

<

λ

h

2

,

∣

Δ

w

∣

<

λ

w

,

∣

Δ

h

∣

<

λ

h

|\\Delta x| < \\frac{\\lambda w}{2},\\quad |\\Delta y| < \\frac{\\lambda h}{2},\\quad |\\Delta w| < \\lambda w,\\quad |\\Delta h| < \\lambda h

∣Δx∣<2λw​,∣Δy∣<2λh​,∣Δw∣<λw,∣Δh∣<λh

其中

(

x

,

y

,

w

,

h

)

(x,y,w,h)

(x,y,w,h) 是真实框，

λ

\\lambda

λ 控制噪声尺度。DN-DETR 的关键判断是：DETR 收敛慢的重要原因之一，是二分图匹配不稳定；如果给模型额外的重建任务，就能让训练早期更稳定。

Deformable DETR 则解决了注意力搜索成本和收敛速度问题。它引入 reference point，让注意力只关注 reference 附近的一小组采样点，而不是全局密集搜索。同时，它也提供了 query selection 和 iterative box refinement 的思想。

DINO 不是从零发明一个检测器，而是把这三条线串起来：用 DAB 的动态 anchor box 表达 query，用 DN 的 denoising 稳定训练，用 Deformable DETR 的 attention 和 reference point 提升效率，再在三个关键位置做自己的改进。

2. Contrastive DeNoising Training：不只学会“看见对象”，还要学会“拒绝错误 anchor”

DN-DETR 的 denoising 让模型学会从轻微扰动的 GT query 中恢复对象。但 DINO 认为这还不够。原因很现实：目标检测里真正困难的地方，往往不是某个 anchor 离对象很近，而是多个 anchor 都有点像正确答案，模型需要判断哪一个应该匹配目标，哪一些应该被判为背景。

这就是 DINO 提出 Contrastive DeNoising（CDN）的原因。它为同一个 GT 生成两类 query：

Figure 3 的本质是把 denoising 从“重建任务”升级成“对比式边界学习”。内圈的 positive samples 教模型什么样的 anchor 应该靠近目标；外圈的 negative samples 教模型什么样的 anchor 虽然看起来接近，但应该被拒绝。

这件事真正给 Rocky 的启发是：检测系统的稳定性，不只来自正样本拟合，也来自负样本边界的清晰。 很多模型训练问题表面上是“没有学好正确答案”，本质上是“没有学会排除相似但错误的答案”。在目标检测里，这会表现为重复框、错误匹配、小目标被更差 anchor 抢走；在更广义的 AI 系统里，它对应的就是 reject option、置信度校准和边界条件学习。

论文还定义了 Average Top-K Distance 来分析 anchor 与匹配 GT 的距离：

A

T

D

(

k

)

=

1

k

∑

{

topK

⁡

(

{

∥

b

0

−

a

0

∥

1

,

…

,

∥

b

N

−

1

−

a

N

−

1

∥

1

}

,

k

)

}

ATD(k)=\\frac{1}{k}\\sum\\left\\{ \\operatorname{topK} \\left( \\left\\{ \\lVert b_0-a_0\\rVert_1,\\ldots,\\lVert b_{N-1}-a_{N-1}\\rVert_1 \\right\\},k \\right) \\right\\}

ATD(k)=k1​∑{topK({∥b0​−a0​∥1​,…,∥bN−1​−aN−1​∥1​},k)}

这里

b

i

b_i

bi​ 是 GT box，

a

i

a_i

ai​ 是最终匹配到该 GT 的初始 anchor。作者关注 top-K 最大距离，是因为匹配到更远 anchor 的样本更容易暴露混淆问题。

Figure 4 说明一个关键事实：DN 已经能改善整体 anchor 匹配，但 CDN 对小目标尤其有效。论文报告，在 ResNet-50、多尺度、12 epoch 设置下，CDN 相比 DN 在小目标 AP 上带来 +1.3 AP。小目标检测本来就对空间偏移极敏感，anchor 稍微差一点，就可能变成错误匹配。CDN 的价值正是在这里被放大。

3. Mixed Query Selection：只借空间先验，不把早期语义噪声塞进 decoder

DINO 的第二个核心改进是 Mixed Query Selection。

传统 DETR 和 DN-DETR 的 decoder queries 是静态可学习向量，不直接依赖当前图像 encoder features。Deformable DETR 的 query selection 则会从 encoder 最后一层选择 top-K features，把它们同时用于 positional query 和 content query 初始化。

DINO 认为，这样做有一个隐患：encoder 选出来的 feature 可能只是对象的一部分，也可能混有多个对象，语义还不够精炼。如果把它直接作为 content query，可能会误导 decoder。于是 DINO 采用折中方案：从 encoder top-K features 中取位置相关信息来初始化 anchor boxes，也就是 positional queries；但 content queries 仍保持 learnable。

Figure 5 是 DINO 论文里非常重要的一张图。它对比了三种 query 初始化：

Rocky 认为，这个设计很有工程审美。它不是“更多信息一定更好”的堆料逻辑，而是区分了不同信息的成熟度：位置先验可以早用，因为检测需要空间锚点；内容语义则要谨慎，因为 encoder 初步 feature 可能还没有被 decoder refinement 充分校正。

这对今天很多 AI 系统也有借鉴：早期信号可以做路由和定位，但不一定适合直接做最终决策。 在 Agent、检索增强、多模态定位里也是如此。粗粒度信号适合缩小搜索空间，精细判断则应该留给更强的后续模块。

4. Look Forward Twice：让后一层的边界框信息反哺前一层

DINO 的第三个核心改进是 Look Forward Twice。

在 Deformable DETR 的 iterative box refinement 中，每一层 decoder 会基于上一层 box 预测一个 offset，并更新 box。为了稳定训练，不同层之间通常会有 gradient detach。DINO 把这种方式称为 Look Forward Once：第

i

i

i 层主要被自己的辅助 loss 监督，下一层更好的 box 信息不会充分反哺回来。

DINO 的假设是：后一层 box 更精细，它的信息应该帮助相邻前一层修正参数。于是作者提出 Look Forward Twice：第

i

i

i 层预测的 offset 不只用于当前层 box，也用于构造下一层预测，使第

i

i

i 层参数能同时受到当前层和下一层相关 loss 的影响。

论文给出的核心更新形式如下：

Δ

b

i

=

L

a

y

e

r

i

(

b

i

−

1

)

,

b

i

′

=

U

p

d

a

t

e

(

b

i

−

1

,

Δ

b

i

)

\\Delta b_i=\\mathrm{Layer}_i(b_{i-1}),\\quad b_i'=\\mathrm{Update}(b_{i-1},\\Delta b_i)

Δbi​=Layeri​(bi−1​),bi′​=Update(bi−1​,Δbi​)

b

i

=

D

e

t

a

c

h

(

b

i

′

)

,

b

i

(

p

r

e

d

)

=

U

p

d

a

t

e

(

b

i

−

1

′

,

Δ

b

i

)

b_i=\\mathrm{Detach}(b_i'),\\quad b_i^{(\\mathrm{pred})}=\\mathrm{Update}(b_{i-1}',\\Delta b_i)

bi​=Detach(bi′​),bi(pred)​=Update(bi−1′​,Δbi​)

这里的

b

i

′

b_i'

bi′​ 是未 detach 的版本，

U

p

d

a

t

e

(

⋅

,

⋅

)

\\mathrm{Update}(\\cdot,\\cdot)

Update(⋅,⋅) 表示用预测 offset 更新 box。直观理解是：一个 box 的最终质量由两件事决定，一是初始 box 好不好，二是当前层预测 offset 准不准。Look Forward Once 更偏向优化当前 offset；Look Forward Twice 则让“更好的下一步”也参与当前层学习。

这类设计看起来很细，但它反映了 Transformer 检测器里的一个底层事实：decoder 不是一次性预测器，而是一个多步优化过程。只要是多步优化，就会遇到信用分配问题：到底哪一层该为最后结果负责？DINO 的回答是，让相邻层之间有更合理的梯度传递，而不是把每层孤立训练。

实验与证据：结果能支撑到什么程度

论文的实验可以分成四层证据：短训程对比、长训程收敛、SOTA 扩展、组件消融。

1. 12 epoch：DINO 不是慢慢追上，而是早期就明显领先

在 ResNet-50、COCO val2017、12 epoch 设置下，DINO-5scale 达到 49.4 AP，相比 DN-Deformable-DETR 的 43.4 AP 提升 6.0 AP；小目标 AP 从 24.8 提升到 32.3，提升 7.5 AP。

这个表要注意两件事。第一，DINO 的提升不是只发生在 AP50 这种较宽松指标上，AP75 同样显著提升，说明定位精度也在变好。第二，小目标 AP 的提升尤其大，这和 CDN 对 hard negative anchor、Mixed Query Selection 对空间初始化的改善是吻合的。

2. 24/36 epoch：性能提升和收敛速度同时成立

在更长训练设置下，DINO 仍然保持优势。24 epoch 的 DINO-5scale 达到 51.3 AP，比 DN-Deformable-DETR 的 48.6 AP 高 2.7 AP；36 epoch 下 DINO-5scale 仍有 51.2 AP。

Figure 7 进一步说明，DINO 的价值不是“训练足够久后多涨一点”，而是收敛曲线整体更高。对于工程落地来说，这一点很重要：训练周期越短，实验迭代越快，单位 GPU 预算能探索的配置越多。模型研究里很多看似小的收敛效率改进，放到真实团队训练成本里，就是能否承担系统迭代的差别。

3. SOTA 扩展：端到端检测器第一次真正证明大模型/大数据可扩展性

在大规模设置下，DINO 使用 SwinL backbone，在 Objects365 上预训练，再在 COCO 上微调，达到 val2017 63.2 AP、test-dev 63.3 AP。

这里的证据力度很强，但也要谨慎解读。它说明 DINO 在当时设定下，用更小参数量和更公开的数据配置，超过了 leaderboard 上的强模型；但它不意味着所有场景下 DETR-like 都天然优于经典检测器。更准确的判断是：DINO 证明了 DETR-like 路线的 scalability 不再是短板。

Rocky 认为，这个判断比单个 AP 数字更重要。AI 技术的跨周期价值，往往不在于某一次榜单第一，而在于它证明了一条路线可以随数据、模型、算力继续放大。如果一个方法只能在小模型上有效，价值会被限制；如果它能扩展到更大系统，才可能成为长期基础模块。

4. 消融：三个模块不是装饰，而是都有独立贡献

论文的组件消融以 optimized DN-DETR 为强基线，逐步加入 pure/mixed query selection、Look Forward Twice 和 CDN。

这张表说明三个模块都不是“论文包装”。Mixed Query Selection 相比 pure query selection 继续提升 0.5 AP，Look Forward Twice 再提升 0.4 AP，CDN 再提升 0.5 AP。单项看都不夸张，但合起来让强基线继续上台阶。

论文还在附录给出两个重要补充。

这些结果进一步说明两件事。第一，DINO 的效率优势主要来自更少 epoch 达到更高 AP，而不是单 epoch 更便宜。第二，decoder 层数下降对性能伤害更大，说明 DINO 的动态 box refinement 仍然依赖逐层优化。第三，CDN 不是简单增加 denoising query 数量；100 CDN 的效果高于 1000 DN，说明正负边界学习比盲目增加重建 query 更有效。

Figure 8 是一个很直观的案例。左图使用 DN queries 时，同一个男孩出现多个重复框；右图使用 DINO 方法后，重复框被明显抑制。这个例子不能替代表格证据，但它很好地解释了 CDN 为什么有效：模型不只是学会靠近对象，还学会区分“更好 anchor”和“应该拒绝的近邻 anchor”。

这篇工作的边界与可复现性

DINO 的价值很明确，但边界也要讲清楚。

第一，DINO 仍然是一个目标检测专门系统，不是通用视觉基础模型。它证明 DETR-like detection head 可以做到很强，但不直接回答开放词表检测、视觉语言 grounding、长尾类别泛化等问题。后续 GLIP、Grounding DINO 等方向，才进一步把 detection 和 language grounding 连接起来。

第二，DINO 的大模型结果依赖 Objects365 预训练、SwinL backbone、多 GPU 训练和较重工程配置。论文披露了关键超参和训练设置，例如 6 层 encoder、6 层 decoder、hidden dim 256、900 decoder queries、AdamW、box loss 使用 L1 + GIOU、classification 使用 focal loss；但完整复现 leaderboard 数字仍需要较大算力。

第三，DINO 消除了 NMS 等手工后处理对检测主流程的依赖，但它不是“没有工程技巧”。相反，它的成功恰恰说明端到端系统也需要大量精密设计：query 初始化、denoising 组构造、loss 辅助、梯度路径、multi-scale feature、训练增强、TTA 策略，每一个环节都影响最终结果。

第四，论文的实验主要围绕 COCO。COCO 是重要基准，但真实产业场景往往有更复杂的长尾、小样本、密集目标、遮挡、领域迁移和标注噪声问题。DINO 的机制对这些问题有启发，但不能直接等价于“所有工业检测任务都更优”。

Rocky 认为，对这类论文最好的态度不是迷信，也不是轻视。它是一个强系统工程样本：让我们看到一个优雅范式如何通过持续机制修补，逐渐具备进入主流的能力。

如果继续研究/落地，应该关注什么

如果把 DINO 放到更长周期看，它留下了几条值得继续扩展的线索。

第一，query 的本质仍然值得研究。DINO 把 query 进一步 anchor 化、空间化、动态化，但 query 到底应该承载多少语义、多少位置、多少历史 refinement 信息，仍然是 DETR-like 模型的核心问题。Mixed Query Selection 的价值就在于它提醒我们：位置和内容不应被粗暴绑定。

第二，negative learning 在检测里被低估了。CDN 的启发不只适用于目标检测。很多 AI 系统都需要学会拒绝相似错误项：检索排序需要拒绝 hard negative document，视觉定位需要拒绝相近区域，Agent 执行需要拒绝错误工具调用。真正稳定的模型，不是只会生成正确答案，而是知道哪些“看起来像对”的东西其实应该被排除。

第三，多步 refinement 的梯度设计仍有空间。Look Forward Twice 是一个相邻层信用分配设计。未来更复杂的检测、分割、跟踪、3D perception 系统，都可能需要更精细的跨层监督和可解释的 iterative optimization。

第四，端到端路线的产业价值不在“少一个 NMS”这么简单。NMS 只是表象。真正的价值是把多个人工组件并入统一优化目标，让系统更容易规模化、更容易联合训练、更适合和 foundation model 融合。工具红利会被新框架吸收，但这种系统抽象能力是跨周期的。

术语与概念速查

拓展思考：值得继续扩展研究与思考的创新点

DINO 这篇工作最值得后续研究者继承的，不是机械复用三个模块，而是它背后的系统观。

第一，端到端不是反工程，而是更高阶的工程。 DETR 去掉了 NMS 和手工 proposal，但 DINO 证明，想让端到端模型真正有竞争力，仍然需要在训练目标、query 设计、梯度路径和规模化训练上做大量精细工程。所谓“端到端”，不是让系统自动变强，而是把工程经验重新写进可学习结构里。

第二，模型的可靠性来自边界学习。 CDN 的核心启发是：模型必须知道什么是正确，也必须知道什么是近似但错误。这个思想可以迁移到更多 AI 系统，包括开放词表检测、多模态检索、Agent 工具选择和代码生成校验。

第三，空间先验和语义表示应该解耦设计。 Mixed Query Selection 说明，位置先验可以来自当前图像的 encoder 输出，但内容 query 保持可学习可能更稳。这是一个很深的设计哲学：不同信息源的可靠性不同，不应该因为“可获得”就全部塞进模型。

第四，跨周期价值来自可扩展范式。 DINO 的真正意义，是证明 DETR-like 检测器可以在更大 backbone 和更大数据上继续放大，而不是停留在小模型实验。一个方法如果不能 scale，它的生命周期往往很短；如果能随着算力和数据继续变强，它才可能成为基础设施。

最后回到 Rocky 的判断：DINO 不是一篇只属于目标检测研究者的论文。它是一个典型案例，说明 AI 技术从“新范式”走向“主流系统”时，真正决定命运的不是概念是否优雅，而是能否把稳定性、效率、可扩展性和可复现工程细节一起打穿。

工具会迭代，模型会换代，榜单会刷新。但这种把问题拆到机制层、再把机制重新组织成系统能力的思维，才是长期值得积累的技术判断力。

推荐阅读

1. 深入浅出完整解析AI Agent（AI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 Agent（AI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/1975174691049189562

4. 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 3（SD 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 XL（SDXL）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 Diffusion（SD）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LoRA（Low-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offer！（2024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offer！

14、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star）：https://github.com/WeThinkIn/Interview-for-Algorithm-Engineer

15、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/663157306

17. 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）