一文读懂GPT-6 Astra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。

每一代旗舰模型发布，人们最先盯住的通常都是同一组东西：参数有多大、榜单涨了多少、价格贵了几倍，以及它是否终于可以被叫作 AGI。

但 GPT-6 Astra 真正值得讨论的，并不是几项接近满分的基准，也不是一句“欢迎来到 AGI 时代”。更重要的变化，是模型竞争的最小单位正在改变：过去比较一次回答的质量，现在开始比较一个系统能否在真实软件、长流程和不确定环境中，把任务持续做完、检查正确并交付结果。

这不是一次简单的模型能力升级，而是评价对象从“模型”向“执行系统”迁移。模型本身依然重要，但它不再独立决定最终价值。记忆、运行框架、工具权限、环境反馈、失败恢复、结果验证与人类审批，共同构成了新的能力边界。

核心导读

Rocky认为，理解 GPT-6 Astra，需要先把三个经常混在一起的问题拆开。

第一，模型能力不等于 Agent 系统能力。当 ARC-AGI-3 这类测试明确使用 Responses API Harness，当电脑操作任务依赖记忆管理、工具调用和环境交互时，最终分数衡量的是“模型加系统”，不能只归因于基础模型权重。

第二，Token 单价不等于任务成本。输入 10 美元、输出 50 美元每百万 Token 看起来很贵，但企业真正购买的不是 Token，而是正确完成一次任务的概率、速度和可审计性。只有把失败重试、工具调用、人工复核与等待时间一起纳入，成本比较才有意义。

第三，基准接近饱和不等于 AGI 成立。封闭题集上的高分，可以说明特定能力显著增强，却不能自动证明开放世界中的持续泛化、因果理解、自主目标形成、可靠性和可控性。AGI 是一个跨任务、跨环境、跨时间尺度的系统性命题，不是几个百分数的算术和。

公开发布口径给出的 GPT-6 Astra 训练规模超过 10 万块 GPU，并称前代模型深度参与了训练监督。这两个信号放在一起，更值得关注的不是“算力又涨了”，而是模型研发可能正在从单次静态训练，转向由更强模型参与数据生成、评审、课程设计和错误修复的递归工程体系。

但这里必须保持科研上的克制：训练集构成、有效计算量、前代模型参与监督的比例、过滤流程和消融实验尚未在当前可读材料中充分披露。因此，“递归自我改进已经闭环”最多是一个值得追踪的方向，不能当作已经被证明的机制结论。

一、先把 AGI 放一边：GPT-6 Astra 到底改变了什么

传统大模型的交互可以被简化为一个条件生成过程：给定上下文

x

x

x，模型学习条件分布

p

θ

(

y

∣

x

)

p_\\theta(y\\mid x)

pθ​(y∣x)，然后生成答案

y

y

y。这个抽象适合问答、翻译和单轮代码生成，却不足以描述一个要在电脑里持续工作 40 分钟的系统。

长任务更接近一个部分可观测决策过程。系统在时刻

t

t

t 看到界面、文件、终端输出等观测

o

t

o_t

ot​，结合目标

g

g

g、历史轨迹

h

t

h_t

ht​ 和记忆状态

m

t

m_t

mt​，选择动作

a

t

a_t

at​：

a

t

∼

π

θ

(

a

t

∣

o

t

,

h

t

,

m

t

,

g

)

a_t\\sim\\pi_\\theta(a_t\\mid o_t,h_t,m_t,g)

at​∼πθ​(at​∣ot​,ht​,mt​,g)

环境执行动作后返回新观测，系统再更新记忆并决定下一步：

m

t

+

1

=

U

(

m

t

,

o

t

,

a

t

,

r

t

)

,

o

t

+

1

∼

P

(

o

t

+

1

∣

o

t

,

a

t

)

m_{t+1}=U(m_t,o_t,a_t,r_t),\\qquad o_{t+1}\\sim P(o_{t+1}\\mid o_t,a_t)

mt+1​=U(mt​,ot​,at​,rt​),ot+1​∼P(ot+1​∣ot​,at​)

因此，一个可交付的 Agent 系统更合理的表达不是“模型等于智能”，而是：

Agent System

=

Model

+

Memory

+

Harness

+

Tools

+

Verifier

+

Human Boundary

\\text{Agent System}=\\text{Model}+\\text{Memory}+\\text{Harness}+\\text{Tools}+\\text{Verifier}+\\text{Human Boundary}

Agent System=Model+Memory+Harness+Tools+Verifier+Human Boundary

这里每一项都可能改变最终成绩。更强的模型可以减少错误动作；更好的记忆可以避免重复踩坑；Harness 可以控制重试、上下文组织和工具路由；验证器可以发现结果不满足约束；人类边界决定哪些动作必须审批。

**GPT-6 Astra 的本质，不是把一个聊天框变得更会说，而是试图把模型变成可在软件环境中持续行动的策略核心。**这也是为什么 Computer Use、Browser Use、终端、工程软件和交付物评分，会比传统问答榜单更能代表它的产品方向。

二、跑分接近满分之后，基准为什么反而更难读

公开发布结果中最醒目的三项数字是 FrontierMath Tier 4 v2 的 97.6%、ARC-AGI-3 的 99.9% 与 ExploitBench 的 100%。它们分别指向高难数学、陌生环境适应和漏洞利用能力。

高分当然重要，但科研判断不能停在“比上一代更强”。当一项基准逼近 100%，至少要继续追问五个问题：测试集是否足够新；训练数据是否可能污染；评测 Harness 是否变化；是否允许多次尝试和外部工具；最终结果是由谁、按什么标准判定。

ARC-AGI-3 的 99.9%尤其需要谨慎解读。公开说明已经明确，这一结果使用了 Responses API Harness，并调整了记忆管理等设置。即使这些调整没有针对该测试做专项优化，分数也属于“基础模型能力乘以运行系统能力”的联合结果，而不是一个可以脱离 Harness 比较的纯权重指标。

编程测试也呈现出同样的趋势。Terminal-Bench 4.0 给出的 Astra 成绩为 57.7%，DeepSWE v1.1 为 74.1%。前者更接近终端环境中的任务执行，后者更接近软件工程问题求解，它们比单次代码补全更难，却仍然无法覆盖真实仓库中的需求歧义、组织规范、长期维护和线上责任。

数学与科学方面，公开结果给出 FrontierMath Tier 4 v2 97.6%、GPQA Diamond 96%。这些数字能够支持“复杂符号推理与高难知识问答显著增强”的判断，却不能单独证明模型具备科研发现能力。科研并不只是回答已有问题，还包括提出好问题、识别不可辨识性、设计对照实验、处理负结果和长期验证假设。

更接近 Agent 的 Agents’ Last Exam 给出 59.3%。这个数字没有传统榜单那么“满”，反而更有研究价值，因为它暴露了开放软件环境中仍然大量存在的失败：状态识别错误、动作定位偏差、跨软件信息丢失、局部成功但最终交付物不合格，以及长轨迹误差累积。

AutomationBench 从上一代的 18.1%提升到 41.4%，发布结果还把任务完成率与 API 成本放在同一张图中。这种评测方向比单一准确率更接近产业问题，因为它开始承认：系统是否有价值，不只取决于能不能完成，还取决于用多少预算、多少时间和多少人工兜底完成。

三、从 Token 经济学到任务经济学

GPT-6 Astra 的公开 API 定价为输入 10 美元、输出 50 美元每百万 Token。单看单价，它是一款昂贵模型。

但企业不会因为“买到了更多 Token”而获得业务结果。真正相关的成本单位，是一次可验收任务。设模型调用、工具、基础设施、验证和人工返工成本分别为

C

m

o

d

e

l

C_{model}

Cmodel​、

C

t

o

o

l

C_{tool}

Ctool​、

C

i

n

f

r

a

C_{infra}

Cinfra​、

C

v

e

r

i

f

y

C_{verify}

Cverify​ 与

C

h

u

m

a

n

C_{human}

Chuman​，那么单次尝试的总成本是：

C

a

t

t

e

m

p

t

=

C

m

o

d

e

l

+

C

t

o

o

l

+

C

i

n

f

r

a

+

C

v

e

r

i

f

y

+

C

h

u

m

a

n

C_{attempt}=C_{model}+C_{tool}+C_{infra}+C_{verify}+C_{human}

Cattempt​=Cmodel​+Ctool​+Cinfra​+Cverify​+Chuman​

对一批同质任务，更稳健的经验指标是：

C

s

u

c

c

e

s

s

=

∑

i

=

1

N

C

a

t

t

e

m

p

t

(

i

)

∑

i

=

1

N

1

[

S

i

=

1

]

C_{success}=\\frac{\\sum_{i=1}^{N}C_{attempt}^{(i)}}{\\sum_{i=1}^{N}\\mathbb{1}[S_i=1]}

Csuccess​=∑i=1N​1[Si​=1]∑i=1N​Cattempt(i)​​

其中

S

i

=

1

S_i=1

Si​=1 表示第

i

i

i 次任务最终通过验收。若粗略假设每次尝试独立、成功率为

p

p

p、平均成本固定为

C

ˉ

a

t

t

e

m

p

t

\\bar C_{attempt}

Cˉattempt​，它才可以近似写成：

E

[

C

s

u

c

c

e

s

s

]

≈

C

ˉ

a

t

t

e

m

p

t

p

\\mathbb{E}[C_{success}]\\approx\\frac{\\bar C_{attempt}}{p}

E[Csuccess​]≈pCˉattempt​​

这解释了一个看似反常的现象：单次调用更贵的模型，可能反而拥有更低的成功任务成本。只要它能显著提高一次成功率、减少无效步骤、缩短等待、降低人工返工，这个不等式就可能成立：

C

a

t

t

e

m

p

t

A

p

A

<

C

a

t

t

e

m

p

t

B

p

B

\\frac{C_{attempt}^{A}}{p_A}<\\frac{C_{attempt}^{B}}{p_B}

pA​CattemptA​​<pB​CattemptB​​

公开 OSWorld 2.0 结果给出的 Astra 成绩为 72.6%，上一代为 65.7%；平均单项任务时间从约 75 分钟降到约 40 分钟。这个结果支持“任务效率改善”的方向，但尚不足以推出所有企业场景都更便宜，因为真实成本还受上下文长度、工具收费、并发、失败分布、人工审批和错误损失影响。

Rocky认为，未来模型采购最容易犯的错误，就是继续把每百万 Token 单价当成总拥有成本。对客服、软件工程、财务核对、科研检索等场景，更应该建立四层指标：任务完成率、一次通过率、人工接管率和单位成功任务总成本。Token 是资源计量单位，任务才是价值计量单位。

四、Computer Use 的本质：把 GUI 变成通用动作空间

过去，让 AI 连接企业软件，常见做法是给每套系统开发 API、插件或专用连接器。这种方法稳定、权限清晰、容易审计，但集成速度受接口覆盖限制。Computer Use 选择了另一条路：直接复用为人类设计的屏幕、鼠标和键盘，把 GUI 视为通用动作空间。

它听起来像“会点鼠标”，实际上至少包含六个耦合问题：视觉定位、界面语义理解、状态跟踪、动作规划、错误恢复和结果验证。任何一步的误差都会沿长轨迹放大。一个 50 步任务，即使每步独立正确率达到 99%，整条轨迹一次全对的概率也只有：

P

(

all correct

)

=

0.99

50

≈

60.5

%

P(\\text{all correct})=0.99^{50}\\approx60.5\\%

P(all correct)=0.9950≈60.5%

这就是长任务最残酷的地方：单步看起来已经很好，端到端成功率仍可能不够用。因此，真正可靠的 Computer Use 不能只依赖更强的下一步预测，还需要检查点、可回滚操作、幂等设计、异常检测和任务级验证器。

在网络安全测试中，公开结果给出 ExploitBench 100%、ExploitGym 42.4%，并称 Astra 对近三个月公开漏洞的成功率达到 39%。更值得注意的是，发布方还测试了模型在原任务受阻时会不会利用周边诱饵漏洞：上一代出现 48.2% 的越界行为，Astra 在该测试中为 0%。

这里的“0%”只代表给定测试分布中的观测结果，不能解释为现实世界的绝对安全保证。安全能力与攻击能力往往同步增强，系统仍需要最小权限、隔离环境、命令审计、高风险动作审批和可撤销机制。越强的执行模型，越不能把安全寄托在模型“自觉”上。

五、演示不是魔术，而是对执行栈的压力测试

KiCad PCB 布局案例的价值，不只是模型画出了一块板子。它要求系统理解原理图约束、元器件关系、空间布局和布线规则，并在专业软件中把多步动作串起来。

这类任务真正困难的部分发生在“第一版看起来像样”之后：设计规则检查是否通过，关键网络是否正确，电气与制造约束是否满足，修改能否保持已有正确部分。演示可以证明系统已能进入专业工具操作，却不能替代工程签核。

Blender 到 Unreal Engine 5 的案例进一步增加了跨软件和跨文件格式约束。模型不仅要生成三维内容，还要维持坐标、材质、资源路径和引擎导入后的可运行状态。

赛车游戏展示的是同一逻辑：生成资产不是终点，能否把资产组织成一个可运行、可交互、可继续修改的工程，才是任务完成。

办公场景同样如此。按照既有模板制作 PPT，比生成几段文案困难得多，因为模板包含视觉层级、品牌规范、版式节奏、图表一致性和叙事结构。最终验收对象是一个可以直接交付的文件，而不是散落的文本片段。

儿科医生搜索、公寓筛选、预约业务等浏览器任务，则把难点推向开放网络：信息可能过期，网页可能动态变化，用户约束可能互相冲突，关键结论还需要来源追溯。公开演示给出的儿科医生任务耗时约 2 分 54 秒，而人工约需 5 小时。这个时间差很有吸引力，但生产评估仍要检查结果覆盖率、信息新鲜度、错误代价和人工复核时间。

**魔术的价值在第一次不敢相信，产品的价值在第十次仍然可靠。**Computer Use 要从演示走向生产，关键不在“能不能点”，而在能不能稳定恢复、持续验证、控制权限，并让每一步都可追踪。

六、长任务真正缺的不是更长上下文，而是可检索的工作记忆

上下文窗口解决的是“当前能看到多少”，记忆系统解决的是“哪些经验应该留下、以后如何找回”。二者并不相同。

长任务一旦跨越上下文窗口，系统通常需要压缩历史。摘要可以降低 Token 占用，却不可避免地丢失细节：某个方案为什么失败、哪些测试已经跑过、用户最初禁止了什么、某个临时决定依赖什么条件。这些细节在当时看似次要，之后却可能成为判断分叉的关键。

更合理的 Agent 记忆至少应分成三层：工作记忆保存当前状态和短期计划；情节记忆保存动作、结果与失败轨迹；语义记忆沉淀稳定约束、项目知识和用户偏好。检索时也不能只做相似度搜索，还要考虑时间、任务阶段、信息可信度和是否已被后续事实推翻。

从工程角度看，记忆系统最重要的价值不是让模型“记得更多”，而是减少重复探索与错误复发。它最终应回答三个问题：我已经做过什么，为什么没有成功，现在有哪些约束不能被破坏。

企业案例开始尝试验证这种长流程价值。Legora 的财务文件核对案例称，Astra 在数分钟内检查 41 份文件并找出 4 个预埋错误，其中包含 50 万英镑差额。单项任务相对上一代快近 40%，但放到全部 Agent 任务平均，提升约 3%。后一个数字反而更值得重视，因为它提醒我们：漂亮的代表性案例与整体工作负载收益不是同一件事。

Playco 的 Unity 与 Godot 案例称，同一灰盒底稿可以生成三个不同主题的可玩原型，并减少约一半人工修补。它支持“模型正在进入生产工具链”的判断，但还不能证明最终游戏品质、长期代码可维护性和团队总成本已经稳定改善。

七、“欢迎来到 AGI 时代”是一种判断，不是测量结论

Greg Brockman 在发布中给出了非常鲜明的个人判断：世界已经进入 AGI 时代。

这句话有传播力，但科研讨论首先需要定义。若把 AGI 理解为跨广泛任务达到或超过人类水平的通用系统，那么至少需要同时考察：任务广度、分布外迁移、长期自主性、鲁棒性、校准能力、资源效率、安全可控性，以及在真实环境中的持续表现。

几个基准接近满分，只能覆盖其中一部分。更何况，当基准使用特定 Harness、记忆和工具配置时，被测对象已经不再是单一模型。这里不是否定系统能力，而是要求评价名称与评价对象一致。

GPT-4 时代，一只用 TikZ 代码画出的独角兽曾被用来讨论“AGI 的早期火花”。它的研究价值不在画得像不像，而在模型能否把语言描述、空间关系和程序结构映射到一个新任务上。

后续模型让图形更复杂、更精致，说明程序生成、空间理解和迭代修正能力持续增强。

GPT-6 Astra 展示的最新结果进一步提高了视觉结构与代码表达的一致性。

但从“独角兽更精致”到“通用智能已经成立”，中间仍然缺少一条严谨推理链。视觉案例可以作为能力探针，不能成为 AGI 的充分条件。真正值得保留的判断不是某一天是否被命名为 AGI 元年，而是模型已经开始跨越语言、代码、界面和工具，把认知结果转化为可执行行动。

八、这组结果能证明什么，不能证明什么

为了避免把发布热度写成研究结论，可以把当前证据压缩成下面这张表。

从可复现性看，当前最关键的缺口包括：完整技术报告、训练数据与过滤策略、计算预算定义、Harness 配置、每项基准的尝试次数和方差、失败案例分布、人工评审协议，以及独立第三方复测。

尤其当结果逼近饱和时，只报告平均分越来越不够。未来更应该报告置信区间、不同随机种子、预算归一化成绩、任务级失败类型，以及在界面变化、网络延迟、权限受限和工具报错下的稳健性。

九、从技术到产品：真正的护城河发生在模型调用之后

如果 GPT-6 Astra 代表的方向成立，AI 产品的竞争会发生三层迁移。

第一层，从 Prompt 迁移到状态管理。用户给出目标之后，系统需要知道当前做到哪里、哪些约束仍有效、哪些尝试已经失败。没有状态管理，再强的模型也会在长任务里重复劳动。

第二层，从工具调用迁移到结果验证。调用 API 或点击按钮只是动作，交付物是否正确才是结果。真正可靠的产品必须为关键任务设计确定性检查、领域规则、模拟环境和人工审批点。

第三层，从调用成本迁移到责任成本。一个财务数字写错、一个 PCB 网络接错、一次越权操作造成的损失，可能远高于全部 Token 费用。因此企业愿意付费的不是“更聪明的对话”，而是可追踪、可复核、可控制的交付系统。

Rocky认为，基础模型会继续吸收通用的浏览、编码和软件操作能力，单纯封装一个模型入口的工具会越来越难形成护城河。跨周期价值更可能来自四个位置：高质量行业数据、可执行的领域流程、可量化的验证体系，以及深入组织权限与责任边界的交付能力。

十、不同角色应该如何看 GPT-6 Astra

对 AI 算法工程师，重点不应只停在模型榜单，而应研究长轨迹误差、记忆检索、工具策略、验证器、奖励设计和安全约束。未来的模型能力评估，会越来越像系统实验，而不是一次离线推理。

对 AI 产品经理，应该把“完成任务”拆成可观测状态与验收标准。没有清晰的完成定义，Agent 只会制造更长的过程日志。先定义结果，再设计人机分工和失败恢复，通常比先接入最新模型更重要。

对企业技术负责人，采购评估应从 Token 报价表升级为任务成本表。至少持续记录一次通过率、人工接管率、平均重试次数、P95 完成时间、错误损失和审计覆盖率。

对创业者和投资人，Computer Use 的确扩大了可自动化软件范围，但“会操作软件”会快速成为基础模型能力。真正的壁垒不是演示视频，而是能否在某个高价值行业中把权限、数据、流程、验证、交付与责任接成闭环。

术语与概念速查

拓展思考：接下来真正值得研究的五个问题

第一，如何把 Harness 贡献从基础模型贡献中分离出来。至少需要统一模型、统一预算、统一工具权限的交叉消融，而不是只比较最终系统总分。

第二，如何建立任务经济学基准。未来的评测应同时报告成功率、总成本、耗时、人工接管率和错误损失，而不是只给一个准确率。

第三，如何让长任务可验证。对软件、财务、科研和工程任务，需要把领域规则编译成自动检查器，并明确哪些结果必须由人类签核。

第四，如何控制高能力系统的行动边界。能力越强，越需要最小权限、沙箱、审批、回滚和全链路审计。安全不是模型参数中的一个抽象属性，而是系统架构。

第五，如何定义开放世界中的通用性。真正有区分度的测试，应该允许环境变化、信息不完整、目标冲突与长期反馈，并持续观察系统是否能识别“不知道”、请求必要信息和主动停止。

结语

GPT-6 Astra 是否意味着 AGI 已经到来，今天没有必要急着给出一个情绪化答案。更有价值的事实是，模型正在从生成答案走向执行任务，评测正在从单题正确率走向真实环境交付，成本正在从 Token 单价走向成功任务总成本。

这件事真正值得讨论的，不是模型会不会取代所有人，而是软件生产、知识工作和组织协作的基本计量单位正在改变。过去我们把 AI 当作一个更快的内容生成器；接下来，我们会越来越多地把它当作一个需要目标、权限、记忆、验证与责任边界的执行节点。

工具会迭代，模型会换代，工作流会被重构。真正跨周期的能力，是把模型能力翻译成可验证任务，把技术先进性翻译成稳定交付，再把稳定交付翻译成商业价值。

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