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StarRocky最新撰写的10万字AI AgentAI智能体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/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。核心导读Grok 4.5 在 2026 年 7 月进入公众视野时市场最容易抓住的标签是“SpaceXAI 的新旗舰”“Cursor 联合训练”“代码能力很强”。但如果只围绕某一个榜单讨论它很快会陷入模型发布的老问题今天谁第一下一周谁反超。这次更值得看的信号其实来自三个不同层次。第一xAI 官方把 Grok 4.5 的定位从写代码扩展到了数据科学、金融、法律、Office 和其他知识工作Cursor 则明确说它是第一个不只面向软件工程构建的模型。第二Cursor 的技术叙事不再只是“更大模型”而是数万亿 token 的真实代码库与软件工具交互数据加上覆盖软件工程和知识工作的强化学习环境。模型学习的对象开始从“答案”转向“探索、调用工具、从错误中恢复、确认结果”。第三Snorkel 在约 2,000 个 GDPval 专业工作任务上的评测给出 29% 的平均通过率高于 GPT 5.5 的 22% 和 Claude Opus 4.8 的 21%但即便是第一名仍然不到三分之一。所以 Rocky 的核心判断是Grok 4.5 的长期价值不在于它是否拿下某个榜单而在于它把“模型能力”推进到了“完整工作交付”的训练和评测框架里。这不是说 Grok 4.5 已经可以替代专家。恰恰相反Snorkel 的结果提醒我们专业工作仍然是开放问题。真正发生变化的是竞争单位未来比较的将不只是裸模型的语言能力而是模型、工具、环境、验证器和工作流组合起来以后能否把任务交付到可验收状态。一、先校准时间线和证据等级三篇文章不是同一种“发布说明”这三份材料的发布时间和证据职责并不相同。来源时间它主要证明什么证据边界Cursor《推出 Grok 4.5》2026-07-08联合训练、数据来源、强化学习环境、Cursor 端能力和基准表既是产品集成方也是训练合作方部分数字来自第三方或模型自报Snorkel AI 测试报告2026-07-08GDPval 专业任务上的模型Agent harness 结果、分行业表现和失败模式约 2,000 个样本、单次试验、不同模型使用不同 agent harnessxAI 官方《Introducing Grok 4.5》2026-07-16官方产品定位、训练规模、80 TPS、token 效率、价格和上线渠道竞品数字来自各自 system card 或公开榜单训练细节仍未完整公开这条时间线本身很有意思合作平台和外部评测先于 xAI 官方页面扩散像是“产品渠道先行、官方 API 和产品面再扩散”的两阶段发布。它也解释了为什么不同来源里的数字和模型模式并不完全一致。更重要的是不要把三类数字直接拼在一张排行榜里Cursor 的 Terminal-Bench、SWE-Bench 和 DeepSWE 表格混合了第三方自报成绩、不同推理模式以及不同 harness。xAI 官方工程榜单强调的是 coding 和 agentic engineering重点在代码任务的解决率与 token 效率。Snorkel 的 GDPval 测试的是模型配合工具完成文档、表格、演示文稿等专业交付物的能力。它们回答的是三个不同问题模型能否解决代码题、模型能否高效完成工程任务、模型能否把知识工作交付给专家验收。分数不能跨问题直接排序但可以共同判断技术路线正在往哪里移动。二、Grok 4.5 到底改变了什么从编程模型走向知识工作模型Cursor 对 Grok 4.5 的定位有一句很关键它是“首个不只面向软件工程构建的模型”。这并不是把软件工程能力删掉而是把训练分布扩展到 STEM 任务、研究论文和其他知识工作。此前的 Composer 2.5 更像专精编程的产品模型Grok 4.5 则试图成为一个可以在多个工作环境里运行的通用执行模型。Cursor 给出的可用入口包括桌面端、Web、iOS、CLI 和 SDKxAI 官方又把它接入 Grok Build、Cursor 和 SpaceXAI Console。这种变化意味着模型的输出单位不再只是代码片段或聊天回复而可以是能运行的代码仓库和完整应用带多表公式的 Excel 工作簿使用原生 PowerPoint 形状构建的图表和演示文稿经过检索、分析和格式化的专业报告需要多轮调用工具、检查错误并再次修正的长任务结果。这也是为什么“Grok 4.5 是不是最强聊天模型”这个问题越来越不够用了。用户真正愿意付费的不是模型能写出一段听起来正确的话而是它能不能把文件、数据、代码、浏览器和企业工具串起来最后交付一个人可以审阅、修改和使用的结果。三、技术底层的真正看点模型、数据和环境形成了闭环公开材料没有给出 Grok 4.5 的参数量、具体 MoE 专家数量、注意力结构、训练 loss 或完整数据配方。Cursor 只明确说它是混合专家模型并与 SpaceXAI 联合训练。因此不能根据“4.5”或“混合专家”自行推导出具体架构细节。但公开信息足以说明三个系统级变化。3.1 数据不只是网页文本而是人和工具的交互轨迹Cursor 表示训练使用了数万亿 token 的 Cursor 数据覆盖用户与代码库及软件工具的广泛交互。这类数据的价值不只是“代码更多”而是把开发者如何查找文件、调用工具、修改代码、运行测试、面对错误和再次尝试记录下来。传统预训练更关注模型是否能预测下一个 token真实工作数据还包含“下一步应该做什么”的轨迹。它让模型看到一个问题如何被拆成多个可执行步骤哪些工具调用能真正改变环境状态一个看似合理的中间结果如何通过测试暴露错误如何根据终端输出、文件内容和用户反馈调整策略。这不是简单地把产品日志塞进训练集。真正的难点在于去重、质量评分、隐私和授权以及如何让交互轨迹从“偶然的操作记录”变成可以学习的任务结构。Cursor 对 Grok 4.5 的说明至少证明它在尝试把软件生产过程本身作为训练对象。3.2 强化学习的目标从答案正确扩展到环境可验证Cursor 描述的强化学习环境会训练模型探索问题、使用工具、从错误中恢复并确认结果。xAI 则表示Grok 4.5 的 RL 覆盖数十万任务重点是多步软件工程和其他技术工作使用自动评分与模型评分并支持运行数小时的异步 agent rollout。这带来一个重要转向训练奖励的不是“第一步答得像不像”而是“最后有没有把任务推进到可验收状态”。如果任务是修复一个仓库奖励信号可以来自测试是否通过如果任务是生成报表奖励信号需要检查公式、结构和关键事实如果任务是法律分析奖励信号可能来自专家定义的准则。模型的推理过程不一定被人逐步标注但最终结果必须能被验证。3.3 用上一代模型构建下一代环境Cursor 提到工程师负责定义问题和验证方案大批智能体负责构建、测试和完善环境有些环境如果由人工完成可能需要数百名工程师数月工作。这可以理解成一种“模型生产模型训练环境”的递归系统工程师定义任务与验收标准 ↓ 上一代智能体生成环境、数据和测试样例 ↓ 新模型在环境中探索、调用工具、失败与修复 ↓ 自动评分与模型评分形成奖励 ↓ 更强模型继续扩展更难的任务环境这里最有价值的并不是“AI 替代了多少标注员”而是把训练瓶颈从静态数据量转成了可验证环境的生产能力。真正难的工作变成任务是否代表真实价值、验收标准是否完备、环境是否能防止投机、奖励是否会把模型带向错误目标。四、编程榜单告诉我们的不是 Grok 4.5 全面第一而是能力已经进入第一梯队Cursor 公布的表格很适合用来做一次反 hype 校准。BenchmarkGrok 4.5Opus 4.8GPT 5.5Composer 2.5Fable 5Terminal-Bench 2.183.3%78.9%83.4%73.0%84.3%SWE-Bench Multilingual78.0%84.4%77.8%71.6%—DeepSWE 1.062.0%55.8%64.3%18.0%66.1%SWE-Bench Pro64.7%69.2%58.6%54.0%80.3%这张表的第一结论是Grok 4.5 已经进入强模型集群但并非每项都第一。Terminal-Bench 2.1 上GPT 5.5 和 Fable 5 高于它SWE-Bench Multilingual 上 Opus 4.8 明显领先SWE-Bench Pro 上 Fable 5 和 Opus 4.8 也更高。第二结论是不同模型后缀里的high、max、xhigh不是同一推理预算。一个模型用更高预算跑出的分数不能直接与另一个模型的低预算分数当成同等成本比较。第三结论是Cursor 自己主动排除了 CursorBench 的优势因为 Cursor codebase 的早期快照曾意外进入训练数据。这个披露很重要。它没有把污染后的榜单当成宣传资产而是承认数据泄漏影响尚不明确并决定不再把该数据用于后续模型。真正可信的模型评测不是只报告最好看的分数而是主动说明哪些分数不应该被使用。五、专业工作评测更有价值但它测的是“模型加 Agent 系统”Snorkel 的 GDPval 评测更接近企业真正关心的任务由领域专家设计提示词并产出文档、表格和演示文稿等真实工作交付物。此次分析使用 Edition 1 的约 2,000 个任务样本。Snorkel 通过 Harbor 运行评测每个任务只尝试一次即k1。任务完成后验证器使用 LLMaJ 和每个任务的专家 rubric 评分只有拿到完美奖励r1.0才算 pass。结果非常清楚模型GDPval 平均通过率Grok 4.529%GPT 5.522%Claude Opus 4.821%Grok 4.5 的领先并不是平均分上的偶然小波动。Snorkel 报告称在法律工作上是 40% 对 27%–28%教育是 58% 对 35%–42%医疗是 35% 对 23%–25%QA 分析是 37% 对 19%–27%。但这里有一个必须写在结论旁边的限制GPT 5.5 和 Opus 4.8 使用了面向 GDPval 的 Stirrup evaluation agentGrok 4.5 则按照 SpaceXAI 的要求使用了定制的 Grok Build agent。所以这组结果证明的是在各自配置的工具和脚手架下Grok 4.5 组成的系统更擅长完成这批专业任务。它不能被简化成“Grok 4.5 裸模型一定比 GPT 5.5 强”。这种评测方式反而更贴近真实产品。企业不会把一个裸模型放在办公桌上而会提供浏览器、文件系统、搜索、Office、数据库和内部知识库。模型的能力必须在这些工具约束中被兑现。六、失败模式比平均分更接近商业价值GDPval 的另一项价值是没有只给一个总分。Snorkel 让 LLM 根据每个失败 criterion 建立失败 taxonomy再为失败标记类型。在六类错误中Grok 4.5 的出现比例都最低。最常见的错误是缺少领域分析Grok 4.5 约为 40%GPT 5.5 和 Opus 4.8 约为 51%–52%。它在错误推荐、格式结构和缺少来源引用方面也更少。这类结果比“模型能不能写出漂亮答案”更有产品意义。专业用户通常不是因为文字不够流畅而拒绝 AI而是因为它没有处理真正影响结论的领域细节给出看似合理但无法执行的建议输出格式无法直接交付缺少关键来源和计算过程在不同任务之间重复模板化答案。Snorkel 还给了两个具体案例在工资与工时责任任务中Grok 4.5 是唯一满足全部专家标准的模型在商业地产任务中它给出了区分到具体地点的建议而其他模型更趋向于泛化、统一的结论。这些案例说明专业工作能力的核心不是“知识更多”而是能否把知识映射到任务约束、局部事实和最终决策上。七、80 TPS 和 4.2 倍 token 效率成本优势不只来自 API 单价xAI 官方给出的基础价格是每百万输入 token 2 美元、每百万输出 token 6 美元Cursor 页面还列出了快速变体每百万输入 token 4 美元、输出 token 18 美元。两者不能混为一个统一价格具体账单还取决于使用渠道和变体。xAI 同时宣称 Grok 4.5 以约 80 TPS 的速度服务并在 SWE-Bench Pro 任务中平均只输出 15,954 个 token而 Opus 4.8 max 平均约 67,020 个 token约少 4.2 倍。这两个数字放在一起传递的是一个比“每百万 token 多少钱”更重要的经济学判断总成本取决于模型为了完成任务需要走多少步而不只是每一步的价格。一个更接近生产的估算应该是单任务总成本 输入 token 成本 输出 token 成本 工具调用与检索成本 失败重试成本 人工复核与返工成本如果模型每一步便宜但需要反复调用、频繁失败和人工重做最终成本可能并不低如果模型输出更少、能够更快确认结果单位任务成本才会真正下降。当然4.2 倍 token 效率是 xAI 针对自家比较方式公布的结果不应直接外推到所有任务。它还没有公开完整的 prompt、工具调用、上下文长度、失败重试和并发条件。工程团队需要在自己的任务集上测 P50/P95 延迟、总 token、工具调用次数和最终可交付率。八、Office 和 Grok Build模型能力开始从“回答”变成“留下文件”xAI 把 Grok 4.5 设为 Grok Build 的默认模型并强调它可以构建包含网页研究、多表公式和批注的复杂 Excel 模型在 PowerPoint 和 Word 中它可以使用原生形状制作图表、设计演示文稿和撰写文档。这件事的本质不是“模型学会了 Office API”这么简单而是交付物开始从聊天窗口外移。一个真正进入企业流程的 Agent必须留下用户可以继续编辑的文件而不是一段只能复制粘贴的文本。这也解释了为什么 Cursor 的 SDK、CLI、Web、桌面和移动端入口很重要。模型能力越强产品越需要把它放进不同的工作环境并提供权限、文件、工具调用和审计记录。但“能生成 Excel/PowerPoint/Word”仍然不等于“能独立承担企业工作”。文件可打开只是第一层验收后面还要检查公式、引用、视觉层级、数据来源、权限和事实准确性。产品真正难的部分往往发生在文件生成之后而不是 Demo 完成当天。九、局限与可复现性为什么 29% 比“专家级”更诚实Grok 4.5 的公开资料没有披露完整模型架构、参数规模、训练数据明细、RL 任务清单、奖励模型、推理预算和内部失败率。Cursor 说明了数据与环境方向但没有给出足以复现训练过程的实验细节xAI 说明了 GPU 规模和异步 rollout也没有公开完整训练配方。Snorkel 的评测同样存在必要的边界约 2,000 个任务只是 GDPval Edition 1 的一个样本不等于所有行业的完整分布。每个任务只运行一次k1无法估计多次采样下的稳定性。pass 必须是完美奖励r1.0它对部分接近完成但有一个局部错误的结果非常严格。GPT/Opus 使用 StirrupGrok 使用 Grok Buildharness 差异会影响最终分数。失败 taxonomy 由 LLM 自动推导分类本身也可能有误差。因此“Grok 4.5 29%”应该读成在 Snorkel 选择的专业任务、指定的 agent harness、单次运行和严格完美通过标准下Grok 系统的平均可交付率是 29%。这已经是有价值的提升但离“专家级工作自动化”仍很远。Snorkel 自己的结论也承认即便最强模型专家任务的通过率仍不到三分之一。真正严谨的结论不是 AI 已经完成知识工作而是知识工作的评测方式终于开始接近真实交付。十、Rocky 的跨周期判断模型的护城河正在转向环境、验证和交付Grok 4.5 并没有证明“单个模型能力已经决定一切”。它反而说明下一阶段竞争会围绕四个层次展开。10.1 模型层更强的推理和更高的 token 效率Grok 4.5 的 80 TPS、15,954 token 和 $2/$6 价格构成了有吸引力的效率组合但这些数字会很快被竞争对手跟进。模型层的领先很重要却很难单独形成长期护城河。10.2 环境层能不能把真实工作变成可训练任务Cursor 的交互数据、xAI 的数十万 RL 任务和异步 rollout说明真正稀缺的是高质量环境。谁拥有真实用户、代码库、文件、工具和反馈谁更容易持续生产下一轮训练任务。10.3 验证层能不能定义什么叫“完成”没有 verifierAgent 只能生成看似合理的过程有了专家 rubric、自动测试、文件检查和来源校验模型才有机会把错误暴露出来。未来的模型公司会越来越像“模型 环境 评测基础设施”公司。10.4 交付层能不能对最终结果负责用户愿意付费的不是“模型很聪明”而是少花时间、少返工、少出错并留下可继续使用的资产。对创业者而言纯 API 包装会越来越容易被吸收真正有价值的是行业模板、客户数据、流程权限、审核体系和分发闭环。对不同读者Grok 4.5 的启发也不一样AI 算法工程师研究重点应从单模型分数扩展到环境设计、奖励函数、异步 rollout、工具调用和失败分析。AI 产品经理不要把 Agent 设计成更会聊天的助手要把任务、权限、工具、验收和交付物一起设计出来。开发者Vibe Coding 降低了写代码的门槛但架构、测试、数据校验、部署和结果负责能力反而更重要。创业者与投资人API 价格不是护城河。要看项目是否拥有真实工作流、独特数据、客户反馈和交付责任。结语Grok 4.5 的真正战场是“完成任务”而不是“生成答案”如果只看榜单Grok 4.5 是一个在不同工程评测上有强有弱的第一梯队模型如果看训练和产品系统它代表了更重要的方向模型开始被放进长任务、工具环境和专家验收里训练。这条路的终点不是让 AI 变成一个永远正确的专家而是让 AI 在不确定环境中更少犯错、更快恢复并把最终结果交给人继续使用。工具会迭代模型会换代榜单会重排。真正跨周期的能力是把一次模型调用组织成可验证、可审计、可交付的工作流。Grok 4.5 最值得看的不是它今天排第几而是行业终于开始用“完整工作交付”来定义下一代模型的能力。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 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、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 3SD 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 3SD 3和FLUX.1系列核心基础知识7. 深入浅出完整解析Stable Diffusion XLSDXL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 XLSDXL核心基础知识8. 深入浅出完整解析Stable DiffusionSD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 DiffusionSD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LoRALow-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LoRALow-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offerDon‘t worryRocky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offer16. 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GANGenerative 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GANGenerative Adversarial Network系列模型核心基础知识