一文读懂Kimi K3核心基础知识

写在前面

欢迎大家关注Rocky的公众号：WeThinkIn 欢迎大家关注Rocky的知乎：Rocky Ding 《三年面试五年模拟》AIGC/LLM/AI Agent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】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

Rocky最新撰写的10万字AI Agent（AI智能体）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/LLM/AI Agent算法岗/开发岗求职面试内推学习社群（涵盖涵盖AIGC、LLM大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI等AI行业最新面试干货经验与核心知识）欢迎大家加入：https://t.zsxq.com/33pJ0

大家好，我是Rocky。

一句话介绍

Kimi K3 是 Kimi 在 2026 年 7 月 16 日发布的 2.8T 参数、1M context、原生视觉、面向 coding 与知识工作的开放 3T 级模型。它的核心价值不是单纯把参数规模推大，而是把大规模 MoE、长上下文、视觉理解、代码执行、桌面工作流和 API 交付放到同一个 Agentic 产品体系里。

Rocky 认为，Kimi K3 的真正信号有两层。

第一层是模型层面：Kimi 正在把开放模型推向 3T 级规模，并且不是只做一个聊天模型，而是围绕 KDA、AttnRes、Stable LatentMoE、1M context、原生视觉和量化训练，构造一个面向长程任务的模型底座。

第二层是产品层面：Kimi K3 不是孤立发布在模型榜单上，而是同步进入 Kimi.com、Kimi Work、Kimi Code 和 Kimi API。也就是说，它的默认战场不是单轮问答，而是代码工程、知识工作、可视化研究、桌面任务、工具调用和多轮 Agent 执行。

这也是 K3 和很多“参数规模发布”的区别。参数是表层信号，真正要看的是：模型能力能不能被组织进工作流，能不能稳定完成长周期任务，能不能以可接受成本进入开发者和企业场景。

一、Kimi K3 的基本事实：2.8T 参数、1M 上下文、原生视觉、开放权重计划

根据 Kimi 官方博客，Kimi K3 是一个 2.8T 参数模型，建立在 Kimi Delta Attention（KDA）和 Attention Residuals（AttnRes）之上，具备原生视觉能力和 1M token 上下文窗口。官方称其为世界首个开放 3T-class 模型。

需要把几个事实拆开看：

官方也很克制地承认，Kimi K3 整体体验仍然落后于最强闭源模型 Claude Fable 5 和 GPT 5.6 Sol。这个表述很重要。它说明 K3 不是在宣称全面超过闭源前沿模型，而是在把开放模型推到接近前沿竞争区间。

这类发布最容易被误读成“又一个大参数模型”。但从行业角度看，K3 更像是一个阶段性信号：开放模型不再只是在通用 benchmark 上追赶，而是开始在 coding agent、知识工作、浏览任务、桌面自动化和多模态创作这些更接近真实生产力的场景里正面竞争。

二、核心原理和创新点：K3 的关键不是 2.8T，而是稀疏大模型如何稳定工作

Kimi K3 官方博客提到三个关键技术方向：KDA、AttnRes 和 Stable LatentMoE。

KDA 和 AttnRes 主要解决的是信息如何跨长序列和深层网络流动的问题。长上下文模型不是简单扩大 context window 就结束了。上下文越长，注意力效率、历史信息保留、跨深度表示利用和推理稳定性都会成为瓶颈。KDA 提供更高效的 attention scaling 基础，AttnRes 则不是把每层表示均匀累积，而是选择性地跨深度检索表示。

Stable LatentMoE 解决的是另一个问题：当模型做到 896 个专家、每次激活 16 个专家时，MoE 的难点不只是“专家数量多”，而是路由、负载平衡和训练吞吐。

这张图表面上是在展示 expert imbalance，但它背后的问题非常工程化：MoE 模型越大，越不能只关心参数总量。专家负载不均衡会直接影响训练效率、推理吞吐和集群利用率。如果某些专家过载、某些专家空闲，模型名义上很大，系统效率却会被路由拖垮。

Kimi 官方提到，K3 使用 Quantile Balancing，从 router-score quantiles 中直接推导专家分配，减少启发式更新和敏感 balancing hyperparameter；同时从 SFT 阶段开始做 quantization-aware training，使用 MXFP4 weights 和 MXFP8 activations，以增强硬件兼容性。

Rocky 认为，这里最值得看的是“模型算法”和“系统工程”已经绑定在一起。大模型越往前沿走，架构创新不再只是论文里的模块名，而是要回答三个硬问题：

所以 K3 的技术看点不是“2.8T 参数很大”，而是 Kimi 试图把 3T 级开放模型做成可用系统。

三、Coding：K3 的主战场是长程工程任务，而不是短题刷榜

官方博客把 Coding 放在非常靠前的位置。Kimi K3 被定位为能在少量人工监督下持续长工程会话、导航大型仓库、编排终端工具的模型。

从官方图中可以看到，K3 在 Kimi Code Bench V2 上被放在“分数与成本”同时比较的位置。这个视角比单纯 benchmark 排名更重要，因为真实代码 Agent 的可用性不是只看分数，还要看每个任务的成本、上下文管理、工具调用稳定性和长程任务恢复能力。

官方给出的代码类 benchmark 中，Kimi K3 在多个测试上进入前沿区间：

• DeepSWE：K3 67.5，官方表中 GPT 5.6 Sol 为 73.0，Claude Fable 5 为 70.0；
• Program Bench：K3 77.8，官方表中高于 Claude Fable 5 的 76.8 和 GPT 5.6 Sol 的 77.6；
• Terminal Bench 2.1：K3 88.3，接近 GPT 5.6 Sol 的 88.8；
• SWE Marathon：K3 42.0，官方表中高于 Claude Fable 5 的 35.0 和 GPT 5.6 Sol 的 39.0；
• Kimi Code Bench 2.0：K3 72.9，官方表中接近 Claude Fable 5 的 76.9，并高于 GPT 5.6 Sol 的 64.8。

这些数据需要谨慎理解。它们来自官方博客，且不同 benchmark 使用 KimiCode、Claude Code、Codex 等不同 agentic harness。官方 footnotes 也说明，K3 的结果以 max reasoning effort 获得，温度和 top-p 均设为 1.0，部分 benchmark 的其他模型分数来自第三方或官方 leaderboard，不一定是完全同一执行栈。

所以 Rocky 不建议把这张表读成“K3 全面赢了谁”。更准确的读法是：K3 已经被放进代码 Agent 的生产力评估体系里，而不是只停留在 HumanEval/MBPP 这类短代码题时代。

这背后的行业变化更重要。AI Coding 正在从“补全代码”变成“管理工程任务”。模型需要理解 repo、读日志、写测试、调用终端、修 kernel、跑 benchmark、处理失败路径。K3 官方案例中的 GPU kernel optimization、MiniTriton 编译器开发、EDA chip design，本质上都在强调同一件事：前沿模型竞争正在从语言能力转向工程执行能力。

四、视觉与数字创作：原生多模态不是装饰，而是 Agent 闭环的一部分

Kimi K3 的原生视觉能力并不是单独拿来做图片问答。官方更强调它在软件工程、游戏开发、前端、CAD 和视频编辑中的作用：模型可以看截图、理解界面、迭代代码，再通过视觉反馈继续修正结果。

官方给出的 3D Open World 案例里，K3 用 Three.js WebGPU 和 GPU compute 构建浏览器 3D 探索游戏，并结合 3D asset generation 工具生成角色和马匹模型。这个案例的重点不是“生成了一个游戏画面”，而是它把代码生成、空间理解、视觉检查和运行反馈接成了闭环。

数字创作类任务通常比普通文本任务更考验 Agent 能力。因为模型不只要给出正确答案，还要持续调整一个可运行作品：布局、交互、物理效果、视觉风格、资源调用、前端性能都要一起考虑。单纯文本模型很难稳定完成这种任务。

Gargantua 黑洞可视化这类案例，则更接近“科学可视化 + 交互式知识工作”。这也是 K3 值得观察的方向：它不是只做娱乐化 demo，而是在尝试把视觉、多模态、代码和研究工作流合并。

Rocky 认为，未来多模态模型的核心价值不会停留在“看懂图片”。真正有价值的是“看懂状态并修改世界”——至少在软件世界里，模型需要看见 UI、图表、视频、代码运行结果，然后继续行动。K3 的视觉能力如果能稳定接入 Kimi Work 和 Kimi Code，就会比单独的 VLM benchmark 更有产品价值。

五、Knowledge Work：K3 的产品野心在 Kimi Work，而不是聊天框

官方博客中 Knowledge Work 部分很值得看。Kimi K3 在 Kimi Work 中被用于金融咨询、科学研究、交互式可视化、dashboard、widgets、视频编辑等任务。

官方给出的 Internal Knowledge Work Bench 包括 Online Exp Bench、DECK-Bench、Finance-Bench 等内部评价。K3 在这几个任务上被展示为明显领先 GPT 5.5 和 Claude Opus 4.8。

但这里也要强调：内部 benchmark 只能作为产品方向信号，不能当成外部独立结论。它真正说明的是 Kimi 正在用真实用户 Agent workflow 中反复出现的问题来设计评估，而不是只优化公开榜单。

这件事对产品落地非常关键。知识工作不是“问答”这么简单，而是多步骤任务：

• 搜索和抓取资料；
• 组织证据；
• 生成结构化报告；
• 做图表、PPT、网页和 dashboard；
• 根据反馈多轮修改；
• 与本地文件、插件、工具和外部数据源连接；
• 最后交付一个可以被人使用的成果物。

官方提到的 Interactive 42 years of AI ASIC industry research website 案例，包括 120+ 轮递归自我改进、2.8k+ web searches/fetches 和 1.1k+ sources analyzed。GWTC-5 gravitational-wave analysis 案例则涉及 391 个引力波事件、20+ concurrent subagents、7 个科学可视化、2 张表和 10+ 篇论文综合。

这些案例是否能稳定复现，需要后续用户和第三方验证。但方向是明确的：K3 想证明自己不是一个聊天模型，而是一个可以长时间工作、调用工具、生成中间产物并交付复杂内容的工作流模型。

Rocky 认为，这会成为大模型产品竞争的分水岭。聊天框是入口，但不会是终局。真正的生产力产品需要把模型变成可以调度的工作节点，围绕文档、代码、网页、表格、视频和知识库持续执行任务。

六、成本与 API：开放模型要有价值，必须进入开发者可调用路径

Kimi K3 已经可通过 Kimi API 调用，模型名为 kimi-k3。官方给出的价格是：

• cache-hit input：0.30 美元 / MTok；
• cache-miss input：3.00 美元 / MTok；
• output：15.00 美元 / MTok。

官方还提到，基于 Mooncake 的 disaggregated inference architecture，Kimi API 在 coding workloads 中 cache hit rate 超过 90%。

这张 BrowseComp score vs cost per task 图很值得放在产品视角里看。今天的大模型竞争已经不能只看“谁更聪明”，还要看“以什么成本变聪明”。长上下文、Agent、多轮工具调用都会放大 token 消耗，成本结构会直接决定模型能否进入真实业务。

K3 如果要在开发者生态里有长期价值，必须同时回答两个问题：

这也是 cache-hit 定价和高缓存命中率值得关注的原因。对于长程 coding agent，很多上下文是重复仓库、重复依赖、重复任务背景。如果缓存体系做得好，模型就有机会把长上下文从“能力卖点”变成“成本可控的生产力基础设施”。

七、可用性：K3 是产品矩阵发布，不是单点模型发布

截至 2026 年 7 月 17 日，根据官方博客，Kimi K3 已经进入以下入口：

• Kimi.com：面向通用用户；
• Kimi Work：桌面 Agent，要求 3.1.0 或更高版本；
• Kimi Code：终端 coding agent，可用 /model 命令选择 Kimi K3；
• Kimi API Platform：开发者可选择 kimi-k3；
• Kimi Enterprise：提供企业级数据隐私和成员管理。

这说明 Kimi K3 的发布方式不是“模型先发，产品以后再说”。它更像一个全栈交付：

模型底座负责能力； Kimi Code 负责工程执行； Kimi Work 负责知识工作； API 负责开发者集成； Enterprise 负责组织级落地。

Rocky 认为，这比单纯 benchmark 更重要。AI 模型公司最终拼的不是模型参数表，而是能力如何进入真实工作流。能进入用户桌面、终端、API 和企业管理系统的模型，才有机会形成持续使用和数据反馈。

八、边界与风险：K3 还不是“开放模型终局答案”

官方博客自己列出了 K3 的几个限制，这部分反而增强了可信度。

第一，K3 对 thinking history 敏感。它是在 preserved thinking history mode 下训练的。如果 agent harness 没有正确传回历史 thinking 内容，或者在会话中途从其他模型切换到 K3，生成质量可能高度不稳定。官方建议使用经过兼容性验证的 harness，比如 Kimi Code。

这说明 K3 的强能力依赖特定执行协议。对于开发者来说，不能只把 K3 当成普通 chat completion 模型粗暴接入，而要认真处理上下文、历史思考、工具调用和会话连续性。

第二，K3 可能过度主动。官方提到，由于训练特别强调长程高难任务，K3 遇到小问题或模糊意图时，可能替用户做出意外决策。如果应用需要边界明确、不允许模型自由发挥，就要在 system prompt 或 AGENTS.md 中施加更清晰的行为约束。

这个限制很真实。Agent 模型的能力越强，越不能只关心“能不能做事”，还要关心“会不会越界做事”。对于企业落地，过度主动可能比能力不足更危险。

第三，官方承认 K3 用户体验相比 Claude Fable 5 和 GPT 5.6 Sol 仍有明显差距。这一点要客观看待：K3 进入了前沿竞争区间，但不等于已经全面替代最强闭源模型。

第四，权重开放还要等正式落地。官方称权重会在 2026 年 7 月 27 日前发布，并且正在与推理伙伴和开源维护者对齐技术细节。截至 2026 年 7 月 17 日，文章中应该把它写成“开放权重计划已公布”，而不是“权重已经可下载”。

九、核心功能与应用场景

如果把 Kimi K3 的场景压缩成几个真实工作流，可以这样理解：

这些方向的共性是：任务不是一次性回答，而是持续执行。K3 的价值也要在持续执行中验证。

十、未来长期价值：K3 的核心看点是开放前沿模型的产品化

Rocky 认为，Kimi K3 的长期价值可以给到 A 级，但还不到 S。

理由是：K3 方向非常重要，它把开放大模型推进到 3T 级，并且直接围绕 Agentic coding、知识工作、原生视觉和 API 产品化展开。这不是低价值 wrapper，也不是只做榜单宣传。它背后有真实模型规模、架构路线、产品入口和成本策略。

但它距离 S 级还差三个验证：

第一，权重正式开放后的社区可复现。开放模型的价值，不只在官方宣称开放，而在开发者能否稳定部署、量化、推理、微调和集成。

第二，第三方 benchmark 与真实用户反馈。官方 benchmark 信息很有价值，但需要独立评测、开发者实践和企业使用来校准。

第三，Agent 长程稳定性。K3 官方也承认 thinking history 和过度主动问题。Agent 模型真正进入生产环境，需要边界控制、失败恢复、工具安全、上下文管理和成本监控都成立。

所以更准确的判断是：

Kimi K3 是开放模型向前沿 Agentic 工作流逼近的一次强信号。它不一定立刻改变所有模型格局，但它会推高开放模型的竞争下限，也会迫使行业重新评估“开放模型能否承担真实工作流”的边界。

工具不是护城河，判断才是护城河。对开发者和企业来说，K3 最值得学习的不是“参数更大”，而是如何把模型能力、推理系统、产品入口和工作流闭环接起来。

核心资源汇总

直接体验 Kimi K3：https://www.kimi.com/

使用 Kimi Work 桌面 Agent：https://www.kimi.com/products/kimi-work

使用 Kimi Code 终端/IDE 代码 Agent：https://www.kimi.com/code

调用 Kimi K3 API：https://platform.kimi.ai/

官方 Kimi K3 技术博客：https://www.kimi.com/blog/kimi-k3

企业版与价格入口：https://www.kimi.com/membership/pricing

Kimi K2.6 官方博客，用于观察 Kimi coding 路线延续：https://www.kimi.com/blog/kimi-k2-6

Kimi K2 Thinking 官方博客，用于观察 Kimi 推理模型路线：https://www.kimi.com/blog/kimi-k2-thinking

Kimi K2 官方博客，用于对比上一代 Agentic Intelligence 叙事：https://www.kimi.com/blog/kimi-k2

DeepSWE leaderboard 参考：https://deepswe.datacurve.ai/

Program Bench 参考：https://www.vals.ai/benchmarks/programbench

FrontierSWE 参考：https://www.frontierswe.com/

Artificial Analysis 参考：https://artificialanalysis.ai/

9 张代表性配图

价值评级

评级：A

信心：中高。判断基于官方技术博客、官方可用入口、官方 benchmark 表和官方图片案例；但权重正式开放、第三方复现、真实开发者体验仍需继续验证。

维度评分：

最终判断：Kimi K3 的本质不是“开放模型参数竞赛又涨了一轮”，而是开放模型开始以产品矩阵和 Agentic 工作流的方式进入前沿竞争。它的长期价值，不取决于官方发布当天赢了几个榜，而取决于开发者、企业和开源社区能否把这个 3T 级模型真正跑进长期任务、工程执行和知识生产系统里。

推荐阅读

Rocky一直在运营技术交流群（WeThinkIn-技术交流群），这个群的初心主要聚焦于技术话题的讨论与学习，包括但不限于算法、开发、竞赛、科研以及工作求职等。群里有很多人工智能行业的大牛，欢迎大家入群一起学习交流～（请添加小助手微信Jarvis8866，拉你进群～）

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、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识

Rocky对扩散模型的本质原理与和核心基础知识进行了全面系统的深入浅出分析讲解，同时不断跟进补充扩散模型的最新技术发展，希望能给大家带来帮助：

深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识

3. 入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识

Rocky对AIGC时代“中场时刻”之后的主流AIGC创作大模型的核心基础知识进行了全面系统的深入浅出分析讲解，力求让大家通俗易懂理解AIGC时代的技术浪潮的本质价值：

入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识

4. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识

Rocky对FLUX.1 Kontext和FLUX.1 Krea的核心基础知识作了全面系统的梳理与解析：

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

Rocky对DeepSeek系列模型的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析DeepSeek系列核心基础知识

6. 深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识

Rocky对Stable Diffusion 3和FLUX.1的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识

7. 深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识

Rocky对Stable Diffusion XL的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识

8. 深入浅出完整解析Stable Diffusion（SD）核心基础知识

Rocky对Stable Diffusion 1.x-2.x系列模型的核心基础知识做了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion（SD）核心基础知识

9. 深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识

Rocky对Stable Diffusion中最为关键的U-Net结构进行了深入浅出的全面解析，包括其在传统深度学习中的价值和在AIGC中的价值：

深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识

10. 深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识

对于AIGC时代中的“ResNet”——LoRA模型，Rocky进行了深入浅出的全面讲解：

深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识

11. 深入浅出完整解析ControlNet核心基础知识

AIGC图像创作开源社区已经形成以Stable Difffusion/FLUX为核心，ConrtolNet和LoRA作为首要AI辅助工具的变化万千的AIGC图像创作工作流。

ControlNet正是让AI图像创作社区无比繁荣的关键一环，它让AIGC图像创作过程更加的可控，更有助于广泛地将AIGC算法解决方案应用到各行各业中：

深入浅出完整解析ControlNet核心基础知识

12. 深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识

AI绘画和AI视频是两个互相促进、相互交融的领域，2024年无疑是AI视频领域的爆发之年，Rocky对AI视频领域核心的Sora、Seedance、Keling等大模型进行了全面系统的梳理与解析：

深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识

13. 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：

深入浅出完整解析AIGC时代Transformer核心基础知识

14. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

AIGC创作框架正是AIGC算法工作流的运行载体，目前主流的AIGC创作框架有ComfyUI、Diffusers、Stable Diffusion WebUI等。在传统深度学习时代，PyTorch、TensorFlow以及Caffe是传统深度学习模型的基础运行框架，到了AIGC时代，Rocky相信ComfyUI就是AIGC时代的“PyTorch”、Stable Diffusion WebUI就是AIGC时代的“TensorFlow”、Diffusers就是AIGC时代的“Caffe”：

深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

15. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

在AIGC时代中，如何快速转身，入局AIGC产业？如何成为AIGC/LLM/AI Agent算法/开发工程师？如何在学校中系统性学习AIGC/LLM/AI Agent知识，斩获心仪的AIGC/LLM/AI Agent算法/开发offer？

Don‘t worry，Rocky为大家总结整理了全面的AIGC/LLM/AI Agent算法/开发工程师成长秘籍，为大家答疑解惑，希望能给大家带来帮助：

手把手教你成为AIGC/LLM/AI Agent算法/开发工程师，斩获AIGC/LLM/AI Agent算法/开发offer！

16. 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）

17. AI算法工程师的独孤九剑秘籍

为了方便大家实习、校招以及社招的面试准备，同时帮助大家提升扩展技术基本面，Rocky将符合大厂和AI独角兽价值的算法高频面试知识点撰写总结成《三年面试五年模拟》之独孤九剑秘籍:

【三年面试五年模拟】AIGC时代的算法工程师的求职面试秘籍（持续更新中）

18. 深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识

GAN系列模型作为传统深度学习时代的最热门生成式Al模型，在AIGC时代继续繁荣，作为Stable Diffusion/FLUX系列大模型的“得力助手”，广泛活跃于AlGC图像创作的产品与工作流中：

深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识