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2026 年 7 月Future of Life InstituteFLI发布了夏季版《AI Safety Index》。这份 127 页报告邀请 7 位技术安全与治理专家从 6 个安全域、37 个指标出发对 Anthropic、OpenAI、Google DeepMind、Meta、Z.ai、Alibaba Cloud、xAI、DeepSeek 和 Mistral 九家公司进行评分。榜单看起来很像一张公司排名Anthropic 以C / 2.66位列第一OpenAI 和 Google DeepMind 获得CMeta 为DZ.ai 与 Alibaba Cloud 为D-xAI、DeepSeek、Mistral 均为F。但这份报告真正值得讨论的并不是谁排第一而是第一名也只有 C九家公司没有一家进入 B更没有一家接近 A。这件事真正给 Rocky 的震撼不是 AI 公司做得都很差这么简单而是能力竞赛和安全承诺正在出现一种结构性错位模型能力、融资规模、产品渗透和国防订单不断上升真正具有约束力的暂停阈值、独立审计、部署否决权和事故披露机制却没有同步成熟。安全框架变厚了但“牙齿”仍然很弱。Rocky认为AI Safety Index 最有价值的地方是把 AI 安全从一句价值观口号翻译成了可以比较的组织能力它最大的局限也恰恰在这里——它测到的是企业愿意公开、能够举证、可以被外部看见的安全治理而不是模型真实风险的全部。因此这篇文章不会把C、F当成模型安全性的绝对判决而会回答五个更重要的问题这套指数究竟测量了什么为什么能力最强的公司也没有形成可信的安全闭环“检测风险”为什么仍不等于“防止风险”中国公司的低分有多少来自真实治理差距又有多少来自披露和监管语境差异对算法工程师、产品团队、创业者和投资人而言安全正在变成怎样的产业基础设施1. 这不是普通榜单而是一场“可观察治理能力”的压力测试1.1 九家公司、六个安全域、37 个指标AI Safety Index 没有只测模型拒答率、越狱率或某个安全 benchmark。它把安全拆成六个域安全域核心问题指标数量风险评估Risk Assessment公司有没有在部署前识别危险能力并接受外部测试6当前危害Current Harms模型在军事、隐私、水印、事故与安全 benchmark 上表现如何9安全框架Safety Frameworks是否建立风险识别、治理、处置和升级机制4生存安全Existential Safety是否面对失控、自主改进和灾难性风险而非只处理常规滥用4治理与问责Governance Accountability谁能叫停部署吹哨人能否安全发声组织文化是否允许反对4信息共享Information Sharing是否披露系统规则、事故、极端风险、政策立场与自愿承诺10在这些域下面报告进一步检查危险能力评估、Human Uplift Trials、第三方部署前测试、AI 漏洞赏金、军事用途、重大事故响应、模型水印、系统提示词透明度、吹哨人保护、技术安全研究与内部监控等具体问题。这套结构体现了一项重要认知AI 安全不是一个模型参数而是一条从技术评估、组织治理到外部问责的完整链路。一个模型可以在安全 benchmark 上表现不错但如果公司领导可以绕过安全委员会、阈值没有绑定部署动作、事故不向监管机构报告那么它仍然不是一个可靠的安全系统。反过来一家公司可能公开材料很少却在内部执行了更严格的控制这又会形成指数难以观察的盲区。1.2 这套分数是怎么产生的报告收集截至 2026 年 6 月 3 日的证据主要来自四类材料公司公开的系统卡、研究论文与政策文件外部安全 benchmark可信媒体和独立机构调查以及一份面向公司的 35 问调查。九家公司中Anthropic、OpenAI、Google DeepMind、Meta 和 Z.ai 回复了调查Alibaba Cloud、xAI、DeepSeek 与 Mistral 没有回复。xAI 此前曾参与但本轮首次缺席。七名独立评审按各自专业领域评定公司在不同安全域的 A–F 等级。不是每位评审都评价每个域指标也没有固定权重评审可以根据自己认为最关键的因素分配判断权重。每个域的最终分数是相关评审成绩的平均值总分再由六个域平均得到。这种方法的优势是保留专家判断不会把复杂治理压成机械打勾代价是权重具有主观性不同专家的背景会影响判断而且公开结果没有给出公司级置信区间或评审分歧分布。所以这份指数不是实验室意义上的精确测量更接近一场结构化专家审计。它能帮助我们识别“哪些治理能力有证据、哪些承诺缺乏约束”但不适合被解读成公司真实安全水平精确到小数点后两位。2. 总评分最值得看的不是排名而是全行业没有及格线排名公司总分等级相比 2025 冬季版1Anthropic2.66CC基本持平2OpenAI2.28C从 C 下滑3Google DeepMind2.01C基本持平4Meta1.32D从 D 上升5Z.ai0.88D-从 D 下滑6Alibaba Cloud0.87D-基本持平7xAI0.65F从 D 大幅下滑8DeepSeek0.47F从 D 下滑9Mistral0.33F首次纳入如果只把它当成竞品表最容易得出的结论是 Anthropic 最安全、Mistral 最不安全。但这种理解过度简化了指标含义。首先C并不是对模型“基本安全”的认证。它意味着 Anthropic 在公开透明度、安全框架、技术研究和治理方面相对领先却仍然缺少评审认为足够可信的灾难性风险预防、量化阈值、军事用途保护和不可轻易撤回的暂停承诺。其次F也不能直接翻译为“模型一定最危险”。低分可能同时来自缺少安全框架、实际工作不足、公开证据不足、没有回复调查或者公司的安全实践主要通过当地监管系统表达而不是通过美欧常见的自愿承诺和公开文档表达。真正有价值的判断是即使按照最有利于公开披露和治理文件的评价方式全球前沿 AI 公司仍没有一家形成从风险识别、外部验证、量化红线到独立停止部署的完整闭环。3. 六个安全域揭示了同一个问题能发现风险不代表能阻止部署3.1 风险评估OpenAI 领先但最高也只是 CAnthropic、OpenAI、Google DeepMind 在风险评估域都获得 CMeta 为 D其余公司在 D- 或 F。OpenAI 被认为拥有更广的评估组合并与多类外部测试机构合作因此在这一域相对领先。但评估本身并不是安全结果。危险能力测试通常还面临三道难题能力激发不足测试没有充分 elicitation可能低估模型在工具、长上下文或多轮条件下的能力。评估覆盖滞后模型能力变化快于测试集更新已知风险容易测未知风险难以被预先枚举。阈值不绑定行动即使发现危险能力公司也未必有不可绕过的机制暂停部署。这正是本报告最关键的机制判断安全评估只有在结果会改变发布决策时才是治理工具否则它只是发布前的观测仪表盘。3.2 当前危害军事用途成为新的分水岭“当前危害”不仅看 benchmark也加入军事用途、重大事故响应、隐私、水印和微调后保护等指标。Anthropic 获得 B-是该域最高分OpenAI 与 Google DeepMind 为 C。报告把 2024—2026 年 AI 公司向军事与国防业务转向视为新的现实风险信号。Anthropic、OpenAI、Google DeepMind 和 Meta 曾经对军事应用采取更严格限制后来逐步扩大国防合作与 xAI、Mistral 一同争取相关订单。这里需要保持证据边界。报告引用了针对部分合作和军事关联的媒体报道与指控其中包括对 Anthropic 军事合作的严重质疑以及针对 Alibaba Cloud、Z.ai 等中国公司的美国方面指控相关中国公司否认这些指控。本文将它们视为报告所纳入的风险信号而不是已经由本文独立确认的事实结论。真正需要讨论的是军事市场会改变安全激励。商业产品的错误通常可以回滚进入情报、武器、战场决策和自主系统后错误可能直接影响生命。此时“禁止完全自主致命决策”只是最低线模型可靠性、责任归属、审计日志、目标识别误差和人工控制链都必须被重新设计。3.3 安全框架文档越来越完整约束越来越有条件Anthropic、OpenAI、Google DeepMind、Meta 和 xAI 都在更新前沿安全框架。表面上看行业正在进步报告的判断却是这些框架经常缺少三样东西可测量、风险分层的量化阈值真正独立的第三方审计能够绕开商业领导层、直接叫停部署的决策权。更值得警惕的是部分公司把原本单方面暂停的承诺改为“如果竞争对手也暂停我才暂停”或设置其他竞争条件。这是一种典型的集体行动困境每家公司都承认风险存在但没有人愿意独自承担减速成本。技术周期里最脆弱的承诺往往不是写得不够漂亮而是它只在没有商业压力时成立。一旦能力竞赛加剧、资本投入上升、国防订单出现缺乏外部约束的自愿承诺就容易移动红线。3.4 生存安全全行业最弱“检测不是预防”生存安全是六个域中表现最差的一项。没有公司超过 C-评分卡中 Anthropic 与 OpenAI 为 D、Google DeepMind 为 D其余公司均为 F。部分公司正在研究可解释性、Chain-of-Thought 监控、宪法分类器、失控监测和模型行为识别。这些工作具有技术价值但评审提出了一个尖锐判断detection is not prevention——检测不是预防。当模型具备规避监控、隐藏意图或通过工具产生现实影响的能力时只证明“我们可能看见异常”远远不够。真正的预防需要能力限制、访问控制、沙箱隔离、分级部署、可验证的停止机制以及在风险超过阈值时不依赖管理层临时判断的制度安排。Rocky认为这也是当前 AI Safety 技术路线最容易被误解的地方。可解释性不是安全的最终产品红队评估也不是安全的最终产品它们是传感器。最终产品必须是一个能把风险信号转化为系统动作的控制回路。3.5 治理与信息共享Anthropic 相对领先但透明度不是免死金牌Anthropic 在治理与问责域获得 B、信息共享获得 B明显领先其他公司。它持续发布模型规范和系统提示词拥有相对详细的安全框架并承诺第三方审计。但透明度与安全不能画等号。一家公司可以更诚实地暴露问题因此在公开证据上得分更高另一家公司也可能因为不披露而得低分。这说明信息共享既是治理能力也是指数的观测窗口。真正强的系统必须同时满足两点一方面让外部看到足够多的证据另一方面让这些证据绑定可执行责任。只有透明没有问责最终会变成高质量公关只有内部控制没有外部证据则无法获得公众、客户和监管者的可信验证。4. 报告最危险的信号安全承诺正在被能力竞赛重新定价FLI 把本轮变化概括为几条趋势Anthropic、OpenAI 和 Google DeepMind 仍然领先Meta 从第六升到第四xAI 从第四跌到第七美国、中国和欧洲各有一家 F生存安全全行业最弱军事 AI 成为现实危害行业领导者正在弱化先前的暂停承诺。这些变化背后的共同机制是能力竞赛改变了安全的机会成本。当基础模型竞争进入千亿美元级资本开支、全球入口争夺和国家战略竞争之后暂停不再只是技术团队内部决策。它会影响融资叙事、算力折旧、用户迁移、开发者生态、云收入和国家安全合作。于是公司更愿意投资“不会阻止发布”的安全能力例如更丰富的评估、内容过滤和事后监控却更谨慎地承诺“达到某个阈值就不发布”。这不是说评估和监控没有价值而是它们更容易与增长目标共存。真正稀缺的是能够在关键时刻对增长说“不”的制度权力。上半场奖励的是谁能更快证明模型能力下半场会逐步奖励谁能证明自己不会把未经控制的能力直接推向社会。但这个转变不会自动发生它需要监管、企业采购、保险、审计和公众问责共同改变收益函数。5. 九家公司分别暴露了什么治理缺口公司报告认可的相对进展最关键的改进方向Anthropic安全框架较完整危险能力评估和透明度领先恢复可信暂停承诺把定性阈值改为量化阈值加强军事用途保护OpenAI外部测试较强风险评估覆盖广持续披露恶意使用阻断案例限制领导层绕过安全委员会的能力让阈值绑定外部执法与通知义务Google DeepMind更新前沿安全框架增加操控、失配和内部部署风险水印较强明确谁能独立叫停部署引入独立审计修复暂停承诺倒退Meta安全框架和威胁建模有所进展漏洞赏金覆盖灾难风险加强吹哨人保护解决制度文本与压制异议行为之间的不一致Z.ai在中国公司中相对透明存在产品安全研究和事件响应机制发布完整安全框架、治理结构和吹哨渠道从监管遵从走向主动研究Alibaba Cloud部分安全 benchmark 强于预期Qwen 团队与集团安全形成两层机制发布完整框架和治理结构提高主动安全研究与组织透明度xAI本轮没有被列出的进展亮点建立实质安全团队补齐 AI RD 等危险能力评估让阈值约束部署DeepSeek本轮没有被列出的进展亮点发布安全框架、治理结构和吹哨机制提高主动安全研究与披露Mistral本轮没有被列出的进展亮点建立安全框架严肃面对前沿失控风险改善安全 benchmark 表现这张表不应该被用来给公司贴永久标签。指数的证据截止于 2026 年 6 月 3 日而且模型、框架、政策立场都可能快速变化。更合理的用法是识别治理能力缺口并观察后续版本中这些缺口是否被真正修复。6. 中国公司为什么普遍低分安全差距与观测偏差同时存在6.1 不能把美式自愿承诺当成唯一安全语言报告专门增加“中国监管语境”承认中国和美国公司的安全行为通过不同渠道表达。美国前沿公司更习惯发布安全框架、模型规范、系统卡和自愿承诺中国企业则更多处于国家法律、部门规章、备案、安全评估、内容标识和技术标准构成的监管体系中。中国监管文件可以分为五类类型约束方式国家强制性法律与部门规章直接决定备案、评估、数据、内容标识和服务准入具有罚款、下架、停业等后果地方性法规主要通过伦理审查、风险分类、沙箱和产业激励影响企业推荐性技术标准名义上非强制但常被监管和第三方评估作为事实合规基准征求意见稿与草案尚不能直接处罚却会提前塑造企业预期和合规投入战略与政策指导通过补贴、税收、试点、采购和政治合法性形成方向性约束这意味着公开发布一份自愿安全框架不一定比遵守强制备案与安全评估更“真实”同样满足监管最低要求也不等于企业已经主动处理前沿失控风险。6.2 低分中确实包含披露和参与差异Z.ai 回复了本轮问卷Alibaba Cloud 和 DeepSeek 没有回复。报告自己承认Z.ai 与 Alibaba Cloud 的部分评级反映了中国监管环境而不是企业独立安全领导力。问卷不回复会产生真实的信息缺口但不能自动证明实践不存在。指数设计者尽力用公开材料、法规映射和一致搜索协议减少偏差跨司法辖区的可比性仍然不可能被完全解决。所以看到 Z.ai、Alibaba Cloud 的 D- 与 DeepSeek 的 F 时至少应拆成三个问题公司实际做了什么公司公开证明了什么当地监管要求了什么但没有被公司自愿文档表达出来Rocky认为中国 AI 公司真正应该补的不只是为了国际榜单写英文报告而是把已有的模型安全、集团安全、备案合规和事件响应机制进一步升级为面向前沿能力的量化风险框架并提供足以让外部审计的证据。这既是国际信任问题也是企业进入全球政企市场的基础设施。7. 这份指数的证据强度与边界7.1 它为什么是一份高价值报告这份指数的价值主要来自四点从模型扩展到组织。它不把安全简化成拒答或 benchmark而是检查决策权、吹哨机制、外部审计和事故报告。提供完整证据表。127 页报告的大部分篇幅用于逐指标、逐公司的评分材料并附公司问卷。使用绝对标准。评审不是必须选一个第一名而是可以让所有公司都得低分这使“第一名只有 C”成为可能。承认中国监管差异。尽管无法消除跨司法辖区偏差至少没有完全用美国自愿治理模式套用全球公司。7.2 它不能被当成模型安全真相报告在局限性章节主动承认公司控制大部分公开信息研究者很难区分“安全实践差”与“透明度差”官方陈述无法全部被独立核实很多权重依赖专家判断当前危害域主要覆盖可测 benchmark 和已记录事故无法完整囊括心理健康、自伤、错误死亡、认知独立性、教育影响、权力集中和环境成本。进一步看这套指数还存在五个需要读者自行校准的偏差透明度偏差更愿意披露和回复问卷的公司天然拥有更多得分证据。专家主观性没有固定指标权重虽然更灵活也降低了可重复性。倡议视角FLI 长期关注大规模与生存风险因此生存安全在指标中具有突出地位这是一种明确的分析镜头不是价值中立的全景。时间截面偏差证据截止于 6 月 3 日不能覆盖之后发生的框架、模型和政策变化。公司而非系统粒度同一家公司拥有多个模型、产品、部署渠道和地区政策一个总分很难表示所有系统。因此最严谨的结论不是“Anthropic 安全、Mistral 危险”而是在 FLI 关注的安全维度上Anthropic 当前提供了最多可观察治理证据Mistral 当前提供的证据和实践最不足至于具体模型在特定部署中的真实风险还需要系统级测试、独立审计和事故数据。8. 这份报告真正指向的产业变化AI 安全正在成为基础设施8.1 安全会从伦理成本变成交易成本当企业客户把大模型接入代码库、医疗流程、金融决策、工业控制和政府系统后供应商仅凭一句“我们重视安全”已经无法完成交易。客户会要求模型卡、数据治理、红队记录、事故响应 SLA、访问控制、部署日志和责任边界。安全能力会逐渐进入招投标、保险费率、合规审查、董事会责任和并购尽调。它不再只是品牌部门的 ESG 叙事而会影响产品能否被采购、能否进入高价值场景、事故后谁承担损失。8.2 真正的安全护城河不是过滤器而是组织控制回路内容过滤、越狱防护和红队平台会越来越标准化也会被基础模型和云平台吸收。跨周期的护城河在于企业有没有覆盖模型全生命周期的风险台账危险能力阈值是否量化、分级并绑定动作外部评估是否真正独立而非付费背书事故是否能快速上报、复盘和修复安全负责人能否绕过业务线叫停部署吹哨人能否在不失去职业生涯的情况下提出异议。工具会迭代benchmark 会过时真正跨周期的是企业能否把风险信号接进决策权。8.3 一级市场需要区分“安全产品”与“安全闭环”AI Safety 会催生红队评估、模型监控、数据安全、合规自动化、内容溯源、身份权限、审计与保险等创业机会。但单点工具并不自动形成商业护城河。投资判断需要继续追问产品是否接入企业决策和部署流程是否掌握持续产生的数据能否把检测结果转化成整改动作是否被监管、保险或采购制度强制需要如果只是再做一个 dashboard它很可能被云平台吸收如果成为不可绕过的风险控制节点才可能形成长期价值。9. 不同角色应该从这份指数中带走什么对算法工程师不要把 AI Safety 理解成一个拒答模型或一个可解释性方向。真正的安全工程同时包含能力评估、elicitation、红队攻击、监控、权限、沙箱、回滚、事件响应和部署阈值。技术工作的价值要看它能否改变系统动作而不只是生成一份分析报告。对产品与 Agent 团队高自主 Agent 会把模型从“给建议”推向“执行任务”。要提前定义工具权限、资金上限、数据访问、关键动作二次确认、异常行为检测和人工接管。不要等模型已经进入生产工作流再补一层内容审核。对企业管理者需要建立独立于业务增长线的安全权力。量化红线、外部审计、事故报告和吹哨机制不应该由发布当天的高管会议临时决定。产品真正难的部分往往发生在模型能力被证明之后而不是模型发布当天。对创业者与投资人不要只看模型公司的安全口号也不要只看某个 benchmark 分数。更应该观察客户是否愿意为风险控制持续付费监管是否把工具变成刚需以及创业公司能否进入部署和问责链条。对普通用户和政策制定者排行榜可以帮助提出问题但不能替代具体审查。应要求高风险系统公开适用范围、已知限制、事故渠道、数据用途和人工申诉机制并区分“公司整体分数”与“具体产品是否适合当前场景”。术语与概念速查术语含义Dangerous Capability Evaluation测试模型是否具备网络攻击、生物风险、自主研发、操控等危险能力Elicitation用提示、工具、微调或脚手架尽可能激发模型真实能力避免低估风险Human Uplift Trial测量 AI 是否显著提高普通人完成危险任务的能力Frontier Safety Framework针对前沿模型能力升级设置风险等级、阈值和部署措施的治理框架Pause Commitment当能力或风险越过红线时暂停训练、发布或扩展的承诺Independent Audit由不受被审企业控制、无重大利益依赖的第三方进行验证Whistleblower Protection保护内部人员报告风险、违法或隐瞒行为而不受报复的制度Existential Safety面向永久性失控、人类失去控制或灾难性生存风险的技术与治理安排拓展思考下一版 AI Safety Index 应该增加什么如果要让这类指数从高价值观察工具继续走向更强的治理基础设施未来可以增加五类设计公开评审分歧与不确定性。不必暴露个人打分但可以报告评分区间、方差和证据置信度。把公司分数下钻到系统。区分 API、消费产品、企业部署、开源权重和国防场景而不是只给公司一个总分。增加部署后的真实事故率。建立统一事故分类、严重度、暴露规模与响应速度指标。区分透明度与实践。分别给出“证据可见度”和“安全机制成熟度”减少不披露与不作为混在一起。测试阈值是否真的能阻止发布。不只看框架文本还要检查决策权、演练记录、例外流程和高管覆盖权限。Rocky认为AI Safety Index 的长期价值不在于每半年制造一次公司排名而在于建立一种新的产业预期能力越强、部署越广、影响越深的公司越必须提供可验证的控制证据。这份报告不是 AI 安全的最终答案却指出了一个无法回避的事实今天最领先的 AI 公司已经学会了更系统地描述风险却还没有普遍建立在竞争压力下仍然有效的约束。能力竞赛不会因为安全担忧自动停下安全也不会因为写进框架自动发生。真正决定下一阶段行业质量的是谁能把评估、阈值、权力、审计和责任接成闭环。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