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

本文不只是百度开源了一个 8B 文生图模型，而是 ERNIE-Image 把开源图像生成的一条关键分水岭讲清楚了：下一阶段的竞争，不再是谁能生成更漂亮的单张图，而是谁能稳定生成可读、可控、可复用的视觉内容。

过去两年，图像生成模型在审美层面的进步非常快。很多模型已经可以生成质感不错的摄影图、概念图、插画图。但如果把任务从“出一张氛围图”切换成“做一张能被使用的海报、网页截图、信息图、漫画分镜、中文表情包”，问题马上变得不一样。

这里真正难的不是像素，而是结构。文字要能读，版式要成立，信息层级要清楚，多对象关系要不乱，风格要统一，用户的复杂意图还要被稳定执行。从这个角度看，ERNIE-Image 的核心命题不是生成能力，而是视觉内容生产能力。

ERNIE-Image 的回答可以概括成三层：

1. 用潜在扩散模型和单流 DiT 组成 8B 参数的紧凑底座，让模型在开源可部署规模下保持足够强的综合能力。
2. 用 Prompt Enhancer 把用户短提示词扩展成结构化长提示词，让图像模型更容易理解网页、海报、分镜、信息图这类复杂任务。
3. 用 SFT 版本承接质量与指令保真度，用 Turbo 版本把推理压到 8 步，面向真实产品里的速度、成本和交互体验。

从公开评测看，ERNIE-Image 在 GenEval、OneIG-EN、OneIG-ZH、LongTextBench 四个基准上均进入前三，并且在开源权重模型中处于第一梯队。Rocky认为，这类模型的长期价值不只是“又一个开源文生图底座”，而是它把开源图像模型带到了一个更现实的位置：不只是生成内容，而是开始接近完成任务。

问题背景：真正卡住图像生成落地的，不是美感，而是可控性

如果只看社交媒体上的精选样例，很多文生图模型已经很难拉开差距。光影、材质、构图、色调都能做到足够惊艳。但产业一线真正需要的不是一张偶然好看的图，而是一个可以反复稳定交付的视觉工作流。

海报生成要求标题、正文、视觉主体和排版层级共同成立；网页截图要求导航栏、按钮、卡片、正文和插图有合理组织；信息图要求概念之间有结构关系；漫画分镜要求人物在多格之间保持一致；中文表情包要求角色、表情和短文本同时稳定。它们本质上都不是单点审美任务，而是复合型视觉交付任务。

上面这类网页和长文本场景，正好说明了 ERNIE-Image 想解决的问题。模型不能只“知道网页大概长什么样”，还要知道标题应该放在哪里，正文如何分段，按钮和导航如何组织，插图与文字如何互相支撑。它不能只生成像文字的纹理，而要尽可能生成可读文本；不能只在单张图上好看，还要让画面里的信息结构成立。

这就是图像生成模型从玩具到工具的关键门槛。工具红利早期靠惊艳样例就能传播，但真正进入工作流以后，用户关心的是稳定性、可编辑性、可复现性和交付效率。可控性不是锦上添花，而是图像生成从内容娱乐走向生产系统的前提。

核心判断：ERNIE-Image 的价值，不在单点模型，而在“模型 + 提示词增强 + 低延迟版本”的系统思路

ERNIE-Image 的总体路线并不靠夸张堆参数取胜。公开信息显示，它采用潜在扩散模型框架，基于单流 Diffusion Transformer，DiT 骨干为 8B 参数，并配备轻量级 Prompt Enhancer。这个组合的重点不只是架构名字，而是背后的系统分工。

图像模型本体负责生成能力，Prompt Enhancer 负责把用户意图翻译成更可执行的视觉任务说明，Turbo 版本负责把能力带入低延迟交互场景。这个思路很重要，因为真实用户并不会以模型最喜欢的方式表达需求。用户只会说“做一张介绍 LLM 的网页截图”“做一组中文表情包”“画一张科普信息图”。但模型要完成任务，需要知道版式、主体、字体、层级、背景、风格、镜头、元素关系和约束条件。

ERNIE-Image 把 Prompt Enhancer 放进系统链路，本质上是在承认一个现实：**强模型不是只靠参数释放能力，还要靠好的任务表达释放能力。**这句话听起来像提示词工程，但背后更像是下一代创意生产系统的雏形。用户给目标，系统生成执行计划，图像模型完成视觉交付。

这张结构化教育图表能够说明 Prompt Enhancer 所服务的任务类型。它不只是“画很多职业人物”，而是要把字母、职业标签、人物姿态、网格关系和整体版式组织起来。对于这类任务，提示词越能明确结构，模型越有机会稳定生成结果。换句话说，ERNIE-Image 的能力不只在模型参数里，也在它如何把人类意图转化为模型可执行描述的链路里。

Rocky认为，这正是很多 AI 产品容易被低估的一点：模型能力是底座，任务编排才是产品价值。单点模型会迭代，单点提示词技巧会过期，但“把用户模糊目标转化为可执行工作流”的能力，会越来越成为 AI 应用的核心护城河。

方法展开：沿着博客原始逻辑拆解 ERNIE-Image

1. 模型底座：8B 单流 DiT 的重点，是在可部署规模下逼近闭源体验

博客没有披露完整训练细节，但给出了足够判断技术方向的信息：ERNIE-Image 是潜在扩散模型，核心生成骨干是单流 DiT，参数规模为 8B。潜在扩散模型的基本思路，是在压缩后的潜在空间中做扩散生成，再通过解码器还原图像。它的工程意义很直接：在高分辨率图像生成中降低计算压力，让训练和推理成本更可控。

DiT 则代表图像扩散模型从卷积 U-Net 向 Transformer 骨干迁移的大趋势。单流结构通常意味着文本条件和图像 latent token 在统一 Transformer 流中交互，而不是完全分开后再做条件注入。这样的结构更适合复杂提示词、多对象关系和跨区域约束，因为模型可以在同一个注意力空间里处理“语言结构”和“画面结构”。

但这件事更本质的地方，是参数效率。8B 在图像生成领域不是小模型，但相比闭源旗舰模型，它仍然是一个更可能被研究者、开发者和中小团队实际部署、微调、二次开发的规模。博客还强调其可在 24G 显存消费级硬件上运行，这意味着 ERNIE-Image 不只是一个展示模型，也更接近一个社区可以拿来试验和工程集成的开源底座。

这里要看清一个趋势：开源模型不一定要在每个维度绝对超过闭源模型，才有价值。只要它在可部署、可微调、可改造的前提下接近闭源体验，就会产生真实生态价值。闭源模型定义上限，开源模型扩散方法论。

2. 能力定义：文字、结构、复杂指令，比“好看”更接近真实生产

ERNIE-Image 博客强调的能力包括精准文字渲染、复杂指令遵循、结构化视觉生成、丰富风格覆盖和较低部署门槛。这里最关键的是前三个，因为它们决定模型能不能从“生成图片”走向“生成可用视觉内容”。

文字渲染难，是因为文字在图像里既是视觉纹理，也是离散符号。模型不仅要知道每个字符长什么样，还要知道字符如何排列成词、句子、段落，并且要和版式、语义、视觉焦点保持一致。中文更难，因为字形结构复杂，排版场景多样，错误也更容易被用户发现。

这张中文表情包示例的价值，不是简单证明模型“会写中文”，而是展示了文字渲染、角色一致性、表情变化和多格版式之间的组合关系。每个小格子都有独立情绪和短文本，但整体角色风格仍然统一。这类能力对于社媒内容、营销素材、本地化表达和轻量 IP 资产生产都很关键。

结构化视觉生成的难点则在于空间规划。模型要在同一画布中管理多个元素的层级、大小、位置和阅读顺序，还要避免元素互相遮挡、挤压或语义冲突。它本质上更接近“视觉排版 + 图像生成”的混合任务，而不是单纯画图。

科普信息图尤其能暴露模型能力边界。如果模型只会生成漂亮插画，它会在公式、标签和概念关系上失真；如果模型只会堆文字，它会失去视觉层次。ERNIE-Image 在这类场景中的目标，是把知识密度、图形解释和中文可读性放到同一个画面里。它不等于模型已经具备严肃数学推理能力，但说明它在“知识密集型视觉表达”上具备值得观察的基础能力。

Rocky认为，这一类能力会越来越重要。因为未来内容生产的主战场，不是单张图的炫技，而是知识、信息、品牌、交互和视觉叙事的结合。真正有商业价值的不是“生成一张图”，而是“降低一类视觉内容的生产成本”。

3. Prompt Enhancer：真正的角色不是润色提示词，而是把意图编译成任务

博客把 Prompt Enhancer 单独作为一个章节，这是整篇内容最有工程启发的部分。它承认了一个现实：文生图模型越强，越依赖高质量提示词；但真实用户越普通，越不会写长提示词。与其要求每个用户都成为提示词工程师，不如让系统内置一个增强器，把短输入扩展成更有结构的视觉任务描述。

ERNIE-Image 发布了一个 3B Prompt Enhancer。它的定位很明确：不改变用户意图，而是把简洁请求改写成更详细、更结构化的形式，尤其适合海报、动漫、网页布局、游戏截图等任务。这里的关键不在“提示词更长”，而在“提示词更像任务说明书”：它补全主体、风格、布局、文字内容、视觉元素、环境、镜头、层级和约束。

这其实是一个很有代表性的 AI 产品范式：用户输入目标，系统补全上下文，模型执行任务。过去很多人把提示词当作技巧，但 Rocky认为，提示词增强正在变成工作流中间层。它不是简单润色，而是在做意图理解、任务拆解和执行表达。

博客还提到，更强的大语言模型做零样本提示词增强时效果更好。这一点并不意外。大语言模型拥有更丰富的世界知识和结构化表达能力，可以把“做一个网页截图”补全成浏览器外框、导航栏、标题、正文、侧边栏、按钮、插图、版权信息等更完整的描述。换句话说，图像模型的上限，部分取决于前面那个语言系统能不能把任务说清楚。

这背后是一个更大的趋势：未来图像生成系统的竞争，可能不只是“谁的图像模型更强”，而是谁能把意图理解、提示词编译、图像生成、质量反馈、局部编辑和多轮修订连成闭环。ERNIE-Image 这篇博客虽然只展示了 Prompt Enhancer，但它已经把模型能力从单体生成器推向了系统链路。

4. 两个版本：SFT 解决上限，Turbo 解决产品化

ERNIE-Image 同时发布了 SFT 模型和 Turbo 模型。SFT 版本强调通用质量和指令保真度，通常需要 50 步推理；Turbo 版本经过 DMD 和 RL 优化，仅需 8 步推理，目标是更快生成和更高美感。

这个版本划分很像真实产品中的两套需求：一套面向质量，一套面向速度。研究者、设计师、高质量内容生产者会更在意 SFT 版本，因为更高推理步数通常意味着更充足的细节和更稳的指令对齐。在线工具、交互式产品和批量生成场景则更在意 Turbo，因为用户不会为每一张图等待太久。

这里的 DMD 可以理解为面向扩散模型加速的蒸馏/匹配方法，目标是在减少采样步数的同时保留生成质量。RL 的加入，则说明 Turbo 不是简单压缩采样路径，而是在尝试通过偏好或奖励信号进一步优化美学与可用性。

但严谨地说，博客没有披露 DMD 与 RL 的具体训练细节、奖励模型设计、消融实验和失败案例。因此我们应该把它看作一个明确的工程方向，而不是完整可复现的方法说明。SFT 代表能力上限，Turbo 代表产品化潜力；这两者同时出现，说明 ERNIE-Image 的目标不是只给研究者看，而是要进入真实应用链路。

实验与证据：这组榜单结果说明了什么，也没有说明什么

博客把评测放在 Prompt Enhancer 之前，逻辑很清楚：先说明模型本体进入第一梯队，再解释 Prompt Enhancer 如何释放复杂任务能力。评测覆盖四类任务：GenEval 关注组合式生成，OneIG-EN 和 OneIG-ZH 关注中英文开放域图像生成，LongTextBench 关注长文本渲染保真度。

基准	主要考察能力	ERNIE-Image 表现	博客中的相对位置
GenEval	对象、数量、颜色、位置、属性绑定等组合生成	0.8856	第 1
OneIG-ZH	中文开放域生成，含对齐、文字、推理、风格、多样性等维度	0.5543	第 2
LongTextBench	中英文长文本渲染保真度	0.9733	第 2
OneIG-EN	英文开放域生成，含对齐、文字、推理、风格、多样性等维度	0.5750	第 3

这组结果可以支持三个比较稳妥的判断。

第一，ERNIE-Image 不是只在单一榜单上做了定向优化。GenEval、OneIG、LongTextBench 的考察点不同，分别覆盖组合关系、开放域质量和长文本保真度。能在四个榜单都进入前三，说明它更像综合型模型，而不是只优化某个窄场景。

第二，它在文字渲染上的信号很强。LongTextBench 第 2，且在 OneIG-EN 和 OneIG-ZH 的 Text 子项上表现突出。这与博客强调的网页、海报、信息图、中文表情包等应用场景一致。对于图像生成模型来说，文字能力不是一个小功能，而是它能否进入设计生产、知识表达和商业物料的关键入口。

第三，开源权重维度的意义更大。博客强调 ERNIE-Image 在全部四个基准上位列开源权重模型第一，并与 Nano Banana 2.0、Seedream 4.5 等闭源前沿模型竞争。如果这一判断经得起更多第三方实测，它的价值就不只是“又一个模型发布”，而是把一部分闭源图像生成能力推进到了可下载、可部署、可微调的开源空间。

但也要看清边界。博客给出的是模型发布文章中的榜单结果和关键发现，不是完整论文式实验报告。训练数据、评测采样策略、提示词增强是否统一开启、比较模型版本、人工评测协议、失败案例分布和显著性分析都没有充分展开。因此，这组结果可以作为能力信号，但不能替代第三方复现和社区实测。

Rocky认为，严谨看待这类发布最好的方式是：不因为它是开源就降低标准，也不因为它来自大厂就自动相信一切。先承认它释放出的能力信号，再等待社区在真实工作流里验证它的稳定性、成本和失败边界。

能力案例：从样例看模型进入真实工作流的可能性

如果只看指标，容易忽略图像生成模型的真实使用价值。ERNIE-Image 博客里的案例展示，实际上是在说明它覆盖了几类高价值任务：结构化商业设计、漫画分镜、写实摄影、虚实融合和知识密集型视觉表达。

1. 漫画分镜与角色一致性：难点是叙事，不是画风

漫画/分镜场景考验的是叙事组织能力。单张插画只要主体漂亮、构图合理即可；多格漫画则要求角色在不同格子中保持一致，动作与表情能够推进故事，线稿风格不能突然漂移。

ERNIE-Image 在这类任务上的展示，说明它不仅关注局部图像质量，也在尝试处理跨区域、跨格子的视觉一致性。它还没有完全等同于视频级一致性或可控角色资产生成，但已经进入了故事板、漫画工具和创意预可视化的中间地带。

2. 写实摄影与风格覆盖：审美仍然是基础盘，但不是终点

尽管本文更关注可控性，但审美质量仍然是图像模型的基础门槛。雨夜街景这类样例主要展示模型对光影、反射、景深、天气氛围和摄影质感的把握。它不直接证明结构化生成能力，但说明 ERNIE-Image 并没有为了文字和版式牺牲基本画面质量。

车内第一视角则体现了模型对镜头位置和场景关系的理解。方向盘、车窗、道路、黄昏光线和环境景别需要在同一透视体系下成立。对于广告、游戏概念图、影视分镜和产品视觉探索来说，这种“可指定视角的摄影感”比泛泛好看更实际。

日系社区摄影样例展示的是更柔和的风格覆盖：低对比、自然光、日常静物与环境氛围。它说明 ERNIE-Image 的风格覆盖不是只有高饱和商业图，也可以处理更克制、生活化、低戏剧性的画面。真实创作里并不是所有图都需要大片感，很多时候，克制本身就是审美。

3. 复杂物体关系与虚实融合：漂亮样例之外，还要看失败率

“画中画”或虚实融合任务，难点在于画面存在多个语义层级：现实空间、屏幕/画框/纸张中的图像、前景人物或物体之间互相嵌套。模型不能把所有元素简单铺平，而要理解哪个对象属于现实层，哪个对象属于图中图，哪部分是反射、边框或遮挡关系。

这类样例说明 ERNIE-Image 在复杂空间关系上具备一定基础。但严格说，漂亮样例只能说明模型有能力成功，不能说明失败率已经足够低。真正进入设计生产链路时，还要看批量生成稳定性、可编辑性、失败回退机制和人工修正成本。

这也是 AI 产品最现实的部分：demo 看上去能做，不等于工作流真的省钱。能不能被商业系统接住，要看它在大量真实任务中的平均表现，而不是最好的那一张图。

这篇工作的边界与可复现性

ERNIE-Image 这篇博客是模型发布文章，不是完整学术论文。因此它给出了足够强的能力信号，但也留下了几个需要继续追问的地方。

第一，训练配方没有完整公开。我们知道模型采用 LDM、单流 DiT、8B 参数，也知道有 SFT 和 Turbo 两类版本，但训练数据规模、数据清洗策略、多语言文本图像配比、分辨率策略、损失函数、对齐方法和安全过滤细节并没有充分展开。这意味着研究者可以使用模型，但很难仅凭博客复现同等级训练过程。

第二，Prompt Enhancer 的机制还需要更多实证。博客展示了 3B Prompt Enhancer 与更强 LLM 增强的效果差异，并指出长结构化提示词对模型释放能力很关键。但从科研角度，还需要回答更细的问题：增强后的提示词是否会引入用户未授权的意图偏移？不同任务上 PE 的收益是否稳定？PE 对中文、英文和跨语言任务的贡献是否一致？PE 与模型本体能力如何解耦评估？

第三，Turbo 的加速质量需要更多消融。8 步推理非常有工程吸引力，但 DMD 与 RL 各自贡献多少、对文字渲染和结构稳定性是否有副作用、不同分辨率下是否保持一致，博客没有展开。对于产品落地来说，Turbo 版本可能是最常用的版本；对于研究讨论来说，它也最需要透明的质量-速度权衡曲线。

第四，当前博客重点仍是文本到图像。它展示了强生成能力，但没有把图像编辑、多轮交互、局部重绘、参考图一致性、可控布局编辑等作为主线展开。换句话说，ERNIE-Image 是一个很强的开源文生图底座，但距离完整的创意生产系统，还需要更多围绕编辑、反馈和资产管理的能力层。

如果继续研究或落地，应该关注什么

对于研究者和开发者来说，ERNIE-Image 最值得借鉴的是“参数效率 + 结构化提示词 + 多维评测 + 快速版本”的组合。它没有把所有问题都压到更大的模型规模上，而是通过 Prompt Enhancer 改善输入质量，通过文字和结构化场景强调真实使用价值，通过 Turbo 版本回应产品侧的低延迟需求。

第一，研究 Prompt Enhancer 的可控性边界。提示词增强本质上是模型替用户补全意图，这既有价值，也有风险。理想状态下，它应该补全执行细节，而不是改变创作意图；应该提升结构化描述，而不是引入事实错误；应该让用户可查看、可编辑增强结果，而不是黑箱改写。

第二，构建更贴近生产的评测集。现有基准可以衡量组合生成、开放域质量和文本渲染，但真实生产还关心品牌一致性、字体风格、版式可编辑性、多轮修订、失败率、批量稳定性和审美偏好迁移。ERNIE-Image 的强项恰好处在“可用视觉内容”方向，因此更需要面向生产任务的基准。

第三，把开源底座变成可编排系统。一个强文生图模型只是起点。真正的应用链路还需要提示词增强、风格模板、布局约束、局部编辑、图像理解反馈、版本管理和人工审阅。ERNIE-Image 已经展示了 Prompt Enhancer 的价值，下一步自然会走向更完整的 Agentic image creation pipeline。

第四，看清商业闭环。对于创业者和产品团队来说，ERNIE-Image 这类模型带来的机会，不是简单套一层 UI 做“又一个生图工具”，而是找到明确的视觉交付场景：电商物料、教育图解、社媒内容、游戏概念草图、漫画分镜、品牌模板、本地化营销图。模型不是护城河，场景理解、工作流整合和交付稳定性才是。

术语与概念速查

术语	含义	在 ERNIE-Image 中的作用
LDM	Latent Diffusion Model，潜在扩散模型，在压缩后的潜在空间中进行扩散生成	降低高分辨率图像生成的计算压力，提高训练和推理效率
DiT	Diffusion Transformer，用 Transformer 作为扩散模型骨干	更适合处理长提示词、复杂关系和统一 token 交互
单流 DiT	文本条件与图像 latent 在统一 Transformer 流中交互的结构取向	有利于复杂指令、空间关系和结构化画面的一体化建模
Prompt Enhancer	提示词增强器，将短输入扩展为详细、结构化提示词	降低用户使用门槛，提升复杂版式、网页、海报、分镜等任务表现
SFT 模型	经过监督微调的主模型版本	更强调通用质量和指令保真度，通常推理步数更高
Turbo 模型	经 DMD 和 RL 优化的快速版本	以 8 步推理换取更低延迟和更强交互可用性
GenEval	组合式生成基准	衡量对象、数量、颜色、位置、属性绑定等组合能力
OneIG-EN / OneIG-ZH	英文/中文开放域图像生成基准	衡量对齐、文字、推理、风格、多样性等综合能力
LongTextBench	长文本渲染基准	衡量中英文长文本在图像中的可读性和保真度

拓展思考：值得继续扩展研究与思考的创新点

ERNIE-Image 给开源文生图社区的启发，不只是“8B 模型也能做得很强”，而是把下一阶段图像生成模型的竞争重点从单纯审美质量，推向了可控、可读、可部署、可编排。

第一个值得扩展的创新点，是把 Prompt Enhancer 从辅助组件升级为可解释的中间表示。未来图像生成系统可以让用户看到增强后的结构化提示词，甚至把它拆成主体、布局、文字、风格、约束、负面条件等可编辑模块。这样，提示词增强就不只是黑箱润色，而会变成可交互的创作规划层。

第二个方向，是把文字渲染和版式生成纳入更严肃的视觉文档生成研究。现在很多模型已经能生成“像海报的图”，但真正可用的海报、信息图、网页截图需要字体、字号、层级、对齐、留白、阅读顺序和内容准确性共同成立。ERNIE-Image 展示了较强基础，后续如果结合布局约束、OCR 反馈和可编辑矢量化输出，会更接近设计工具的生产形态。

第三个方向，是研究小步数生成下的结构保真。Turbo 版本把推理压到 8 步，适合真实产品，但低步数往往会损失细节或稳定性。如何让快速模型在文字、网格、公式、复杂关系上不退化，是图像生成落地中非常关键的问题。

第四个方向，是从“单次生成”走向“多轮修订”。真实创作很少一次完成。用户可能会要求“保持人物不变，把标题换成中文”“把网页改成深色模式”“把第二格漫画的表情改得更夸张”。ERNIE-Image 当前展示的是强文生图能力，下一阶段如果结合图像理解、局部编辑和多轮记忆，会更接近真正的创意协作系统。

最后，Rocky认为，ERNIE-Image 的开源意义在于，它为社区提供了一个兼顾文字、结构和审美的可用底座。它未必终结图像生成模型的竞争，但它把一个清晰方向摆在台面上：下一代开源文生图模型，不能只会生成漂亮图片，还要能生成可读、可控、可解释、可被生产系统接住的视觉内容。

工具会迭代，模型会换代，工作流会被重构。真正跨周期的，不是某一个生图入口，而是理解技术如何变成任务、任务如何变成产品、产品如何进入真实工作流的判断力。

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 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：https://zhuanlan.zhihu.com/p/1919046969076195976

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：https://zhuanlan.zhihu.com/p/1964029619658261252

3、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：https://zhuanlan.zhihu.com/p/706722494

4、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：https://zhuanlan.zhihu.com/p/684068402

5、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：https://zhuanlan.zhihu.com/p/643420260

6、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：https://zhuanlan.zhihu.com/p/632809634

7、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：https://zhuanlan.zhihu.com/p/660924126

8、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：https://zhuanlan.zhihu.com/p/639229126

9、Transformer核心基础知识，核心网络结构，AIGC时代的Transformer新内涵，各AI领域Transformer的应用落地，Transformer未来发展趋势等全维度解析文章正式发布！

码字不易，欢迎大家多多点赞：

Transformer文章地址：https://zhuanlan.zhihu.com/p/709874399

10、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：https://zhuanlan.zhihu.com/p/651076114

11、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

12、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：https://zhuanlan.zhihu.com/p/673439761

13、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