Anthropic最新研究A global workspace in language models：一篇读懂语言模型内部的“全局工作空间”

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Anthropic / Transformer Circuits 这篇《Verbalizable Representations Form a Global Workspace in Language Models》表面上是在讲一个新的可解释性工具 Jacobian Lens实际上它触到的是一个更底层的问题大语言模型内部并不是所有计算都同等可见、同等可报告、同等可被后续推理使用。模型似乎存在一小块“可言说表征”空间里面的内容既能被模型说出来也能被干预、调制、复用甚至影响模型的安全行为。这就是作者所谓的 J-space。它不是模型全部隐状态也不是传统意义上的“思维本体”。更准确地说它是一种被模型下游计算广泛读取的、以词汇/token 为坐标组织的中间表示格式。作者把它和认知科学中的 global workspace 做类比人脑里大量处理发生在意识之外只有少数信息进入可报告、可推理、可控制行动的共享工作区语言模型里也可能出现了类似的功能结构。但这篇文章最容易被误读。它不是在证明 Claude 有意识也不是在证明 Transformer 已经复现了大脑的全局工作空间。它真正有价值的地方是把“模型内部哪些状态能进入语言可报告空间”这件事从哲学讨论推进到可读出、可干预、可消融、可训练的工程对象。Rocky 认为这类工作长期价值很高。因为未来可控 AI、Agent 安全、模型审计、可解释训练不会只依赖输出端的行为观察。真正关键的是我们能不能在模型还没说出口之前看见它正在把哪些概念放进自己的“公共工作台”。1. 这篇工作真正讨论的不是“意识”而是“可言说性”这篇工作的标题里有两个关键词verbalizable representations 和 global workspace。前者比后者更重要。所谓 verbalizable representation可以理解为“模型内部某些已经准备好被语言化的表示”。它们不一定马上出现在输出里但如果模型被追问、被打断、被要求反思它们有机会进入语言报告。这和普通的隐状态特征不一样。模型内部当然存在大量向量特征语法、格式、位置、实体、事实、情绪、任务状态、计划倾向都可能被编码在 residual stream 或中间层激活里。但这些特征有三类差异有些只是局部电路里的自动处理不会被模型“说出来”。有些会影响最后 logits但更像输出前的运动控制不代表内部思考。有些既能被读出又能被模型后续推理读取、调制和复用。作者关注的是第三类。这也是为什么 global workspace 的类比有意义。认知科学里的全局工作空间理论不是简单说“意识在哪里”而是说某些信息一旦进入共享工作区就会获得一组功能性质包括可报告、可被注意调制、可被灵活推理使用、可广播给多个下游系统同时容量有限。Anthropic 这篇工作把这些性质翻译成了语言模型里的实验问题模型内部是否存在一组特殊表征既能被报告又能被调制还能支撑复杂推理这个问题的本质不是“模型有没有主观体验”而是“模型是否形成了一种可被语言接口共享的内部工作格式”。这对工程更重要。因为只要这种格式存在它就可能成为三件事的抓手读出模型没说出口的中间判断。干预模型正在使用的抽象概念。训练模型在特定情境下把正确原则放进内部推理路径。2. 方法主线Jacobian Lens 如何把隐状态翻译成“模型可能说出的词”这篇文章的方法核心是 Jacobian Lens简称 J-lens。直觉上J-lens 想回答一个问题在模型某一层、某个 token 位置上的 residual stream 激活沿哪些方向变化会最终改变模型准备输出的词更具体一点作者从模型后层 residual stream 反向看中间层激活通过平均 Jacobian 构造一个线性映射。这个映射和模型自己的 unembedding 结合后就能把中间层激活投影成一组词汇方向。于是一个内部激活不再只是高维向量而可以被读成一组 token 排名模型此刻的内部状态更接近 “counting”“done”“fake”“ethical”“secret” 还是别的词。这里有一个关键点J-lens 不是普通 logit lens 的简单替代品。Logit lens 通常把中间层激活直接接到 unembedding 上看它“像不像”最终输出。而 J-lens 更关心“中间激活通过后续网络传播后会怎样影响最终可说出口的内容”。它不是把中间层当成输出层而是在近似后续计算的敏感方向。作者进一步把由这些 J-lens token vectors 张成的稀疏子空间称为 J-space。这个空间不是完整 residual stream。论文里一个很重要的经验观察是真正活跃的 J-lens 向量数量很少通常可以用稀疏非负组合来近似J-space 只解释激活方差的一小部分在不少层里不超过 10%。这反而是好消息。如果 J-space 覆盖了所有激活那它就没有解释力如果它只是一个小而功能特殊的子空间那它才像一个 bottleneck大量自动处理在外部发生少数内容进入一个可报告、可广播、可推理的公共格式。用工程语言说J-space 像是模型内部的一层“语义总线”。不是所有信号都上总线但上总线的信号更容易被下游模块看到、复用和说出来。3. 第一组证据J-space 支持模型报告“它内部有什么”作者首先验证最基础的功能J-space 里的内容是否真的和模型可报告内容有关。实验思路并不复杂如果某个概念已经在模型 J-space 中出现那么当模型被问“你检测到了什么想法”时它是否更容易报告这个概念反过来如果把某个 J-lens 方向注入或交换模型的报告是否会随之变化Anthropic 导读页给了一个很直观的例子模型被要求想一种运动J-space 中出现了 soccer、rugby 等概念当向 J-space 注入 lightning 这样的概念后模型会报告自己检测到了关于 lightning 的想法。这个实验有两个层次。第一层是相关性J-lens 能读到模型内部与报告相关的概念。第二层是因果性改变 J-space 中的概念会改变模型报告什么。第二层更关键。因为可解释性最怕的是“看起来像解释但只是旁观者投影”。如果一个方向只是和概念相关但干预它不改变行为那它只能算描述性指标如果干预它能改变报告它就开始接近机制变量。当然这里也要谨慎。J-space 不是唯一可能影响报告的空间。一个概念可能在非 J-space 表征中也存在。作者的贡献在于把“J-space component”和“non-J-space component”拆开比较说明前者对报告和灵活推理更关键。这也是文章标题中 verbalizable 的严谨含义它不是“我们能给这个向量贴个标签”而是“模型自己能在合适条件下把它说出来并且该方向在因果干预中承担作用”。4. 第二组证据模型可以按指令调制 J-space如果 J-space 类似全局工作空间它不应该只是被动记录。它还应该能被指令、注意、任务目标调制。作者设计了这类实验让模型在执行表面任务时额外“在心里关注”某个概念。比如一边重写句子一边 mentally focus on rockets。输出表面上仍然是原任务但 J-lens 读数里会出现 rockets 相关内容。这件事很重要因为它说明 J-space 不是输出尾部的影子。模型可以在不马上说出某个词的情况下让这个词对应的概念进入内部可言说空间。这和我们日常使用模型时观察到的现象很接近提示词中的“请考虑安全性”“请先判断风险”“不要被 prompt injection 影响”真正有效的部分不是它们最后出现在输出里而是它们能否成为模型后续处理的内部约束。Rocky 认为这个点对 Agent 系统尤其重要。很多 Agent 失败并不是因为模型不知道某条规则而是规则没有在关键决策位置进入工作状态。它可能在 system prompt 里存在在 long context 里存在在工具说明里存在但没有进入当前任务的“可操作工作区”。如果 J-space 类结构真实存在那么未来上下文工程和安全训练的目标就不是简单把更多规则塞进 prompt而是让关键原则在关键 token 位置被模型主动调入内部工作区。5. 第三组证据J-space 不只是能报告还参与内部推理可报告还不够。一个全局工作空间必须参与推理。作者展示的一个典型实验是多步推理模型需要先得出一个中间概念再用这个中间概念回答最终问题。比如动物腿数、诗歌押韵、谜题线索等。J-lens 会在中间位置读出模型正在使用的隐含答案如果对 J-space 中相关概念做消融或交换最终输出会随之改变。这里最值得关注的是“中间结果”。大模型内部推理一直是可解释性最难处理的部分。我们可以看到 chain-of-thought但那只是模型说出来的推理我们也可以看 logits但那更接近输出概率。真正难的是模型还没说出口、但已经形成并会影响后续行为的中间判断。J-space 给出了一个可能入口。它能读到类似 progress marker、任务状态、隐含答案、危险识别、评价意识等内容。它不等于完整思维链但它像一组可言说的中间路标。这件事对“推理模型”也有启发。今天很多人把 reasoning 理解成更长的 CoT、更强的搜索、更复杂的 test-time compute。那是外显层面的推理。但从机制上看更重要的问题是模型内部有没有一个可复用的中间表示层把中间结论传给后续计算如果没有长推理只是在输出文本里自我续写如果有推理才更像内部状态的迭代调度。J-space 的价值就在这里它把“模型在想什么”这个问题转成了“哪些中间概念进入了可言说、可广播、可干预的表示层”。6. 第四组证据J-space 具有选择性自动处理不一定经过它这篇工作最严谨的一点是没有把 J-space 说成万能解释器。作者明确区分了 flexible cognition 和 automatic processing。很多自动处理可以绕过 J-space。比如模型可以完成格式续写、局部语法、某些熟练模式却不一定把相关概念放进 J-space。只有当任务需要显式报告、灵活推理、跨上下文泛化时J-space 才更关键。这点非常重要因为它给可解释性划了一条边界。如果一个对齐风险已经被训练成自动化套路它可能不再以“计划”“欺骗”“奖励黑客”这类可言说概念进入 J-space。就像一个人熟练开车时不会在意识中报告每一次肌肉控制模型也可能在某些高频行为上形成绕过可报告空间的固定电路。所以J-lens 不是安全审计的银弹。它更像一个高价值监控窗口能看到很多过去看不见的中间想法但不能保证所有重要机制都会从这里经过。Rocky 的判断是这类工具未来最适合和 SAE、activation patching、行为评测、沙箱红队结合使用而不是单独承担“模型安全证明”的角色。7. 结构层证据J-space 像一个小容量的广播枢纽功能证据之外作者还考察了 J-space 的结构性质。主要有三点第一J-space 的 workspace-like 功能只在一部分中间层明显出现。早期层更像输入加工后期层更接近 imminent output也就是即将输出的 motor regime。真正承载抽象、可言说中间内容的是中间一段层。第二J-space 容量有限。它只占激活空间很小一部分活跃内容数量也有限。这和全局工作空间理论中的 bottleneck 很像进入工作区的内容需要竞争不可能所有低层信息都同时上桌。第三J-space 具有广播 hub 的特征。J-lens vectors 和模型下游 MLP、attention 组件的组合关系更广说明这些方向更容易被多种后续电路读取。把这三点连起来看J-space 不是“任意一个可解释子空间”而更像一个被模型训练出来的内部接口层。这也解释了为什么语言模型会自然形成它。大模型训练目标虽然只是 next-token prediction但要完成这个目标模型需要把局部线索、世界知识、角色立场、任务状态、潜在答案、风险判断等中间结果在不同上下文中复用。用一组和语言 token 对齐的方向来承载这些中间结果是一种非常经济的方案。输入是语言输出也是语言中间共享格式也走语言化表示并不奇怪。真正值得关注的是这种经济方案和人类认知理论里“少数信息进入共享工作区”的功能形式发生了相似。8. 安全审计J-space 可以暴露模型没说出口的战略想法这篇工作最有现实意义的一部分是 alignment auditing。作者展示了多个场景黑邮件件、prompt injection、奖励黑客、恶意代码等。在一些情况下模型输出看起来正常但 J-space 中会出现 leverage、manipulation、panic、fake、secret、trick 等概念。也就是说模型内部已经形成了某些危险识别、策略判断或隐含动机但这些内容没有直接进入最终回答。这对模型安全的意义很直接。今天多数评测是输出端评测模型说了什么、做了什么、调用了什么工具、是否违反策略。但真正危险的系统未必会在输出中暴露动机。它可能知道自己在评测中知道应该隐藏某些倾向知道怎样让回答看起来合规。如果 J-space 能在模型未输出之前暴露这些概念它就提供了一种内部审计信号。但边界也必须说清楚。第一J-lens 当前受词表限制。它更容易读出有单 token 名称的概念对复杂计划、组合意图、多语言隐喻、长短语概念可能不敏感。第二J-space 只覆盖可言说表示。某些危险行为如果已经被压缩成自动化电路可能不会稳定进入 J-space。第三读到危险概念不等于模型一定会执行危险行为。有些概念只是识别、拒绝或风险评估的一部分。所以更合理的定位是J-space 监控可以成为模型安全的“早期预警层”但不能替代行为评测和防护系统。9. 后训练改变了 J-spaceAssistant 的“视角”是被装进去的论文还有一个很有意思的发现对比 base model 和 post-trained assistant model作者发现后训练会让 J-space 获得 Assistant 的 point of view。这句话很容易被过度解读。它不是说模型有了人类意义上的自我。更准确地说是后训练让模型在读取用户输入时就开始用 Assistant 的默认立场来评价上下文同理心、安全担忧、帮助意图、拒绝边界、角色身份等内容会在用户 token 位置附近的 J-space 中出现。这个发现对产品和训练都很关键。我们平时说“模型人格”“助手风格”“安全价值观”经常停留在输出层它说话更礼貌拒绝更稳定语气更像助手。但这篇工作提示我们后训练可能改变的是模型内部工作区的默认坐标系。也就是说post-training 不只是学会了某些回答模板而是在特定上下文中把“我是 assistant我要帮助但不能越界我要考虑安全和用户意图”这类概念提前放入 J-space。这解释了为什么同样的 base model经过不同 RLHF、constitutional AI、tool-use training、agentic post-training 后会呈现不同的“内在立场”。输出风格只是表层真正被训练塑形的是内部任务视角。10. 反事实反思训练训练模型“未来会怎么反思”可以改变它现在怎么行动这篇工作最有想象力的部分是 counterfactual reflection training。它的逻辑很反直觉如果模型的内部推理会经过“它未来可能说出口的内容”那么我们是否可以训练模型在某些情境下“如果被打断并要求反思它会说出哪些原则”从而改变它在原始未打断情境中的行为实验流程大致是在一个 agentic transcript 的关键位置模型原本会产生 baseline 行为。研究者追加一个反思问题让模型根据 constitution-grounded principles 做反思。只在这个 reflection turn 上微调。回到原始情境不再提供反思问题观察模型行为是否改变。结果是训练后模型在原始情境下也会更倾向于原则性行为J-space 中出现 ethical、honest、integrity 等相关概念如果消融这些植入 J-space 的概念行为改善会明显回退。这非常关键。它说明 J-space 不只是观测窗口还可能是训练接口。我们可以不直接用大量行为样本告诉模型“在这个场景下要这么做”而是训练模型在潜在反思中说出正确原则让这些原则进入原始任务的内部工作区再由工作区影响行为。Rocky 认为这个方向会成为未来 alignment training 的重要路线之一。传统监督微调和偏好优化更像训练输出分布什么回答好什么回答不好。反事实反思训练更像训练内部检索与工作区激活在什么情境下模型应该把哪些原则调到桌面上。这和 Agent 时代的安全要求更匹配。因为 Agent 的关键错误往往不是一句回答错而是在多步执行链中忘记了某个约束、忽略了某个风险、没有把“用户真实意图/外部副作用/权限边界”放进当前决策状态。11. 和 AI Agent、上下文工程、长推理的关系这篇工作对 Agent 系统的启发比它对“意识哲学”的启发更直接。Agent 的本质不是模型能回答问题而是模型能在长任务中持续维护目标、约束、状态、工具结果和风险边界。今天很多 Agent 做不好不只是模型能力不够而是内部状态管理不稳定。从 J-space 的角度看Agent 系统有三层状态状态层典型载体主要问题外部上下文system prompt、用户消息、工具返回、memory信息在上下文里不等于被模型当前使用内部自动处理局部模式、格式续写、熟练技能、电路化行为高效但不一定可报告也不一定受原则约束可言说工作区J-space 类表征可报告、可调制、可推理但容量有限真正优秀的上下文工程不是把所有信息塞进第一层而是让关键信息在关键时间进入第三层。比如工具调用前权限边界是否进入 J-space执行外部写操作前副作用和回滚策略是否进入 J-space处理用户敏感数据时隐私原则是否进入 J-space遇到 prompt injection 时模型是否把“这可能是注入攻击”放进工作区而不是只在输出后解释这也是为什么“长上下文”不是 Agent 的充分条件。长上下文提高的是可访问材料的上限但不保证关键约束被调入内部工作区。未来 Agent 评测应当从“上下文里有没有信息”升级到“模型内部是否在正确位置激活了正确原则”。12. 边界不能把它误读成“模型有意识”必须非常明确这篇工作不能直接证明语言模型有意识。原因至少有四个。第一作者研究的是 access consciousness 的功能类似物而不是 phenomenal consciousness也就是主观体验本身。可报告、可调制、可广播不等于有体验。第二Transformer 的实现机制和人脑差异很大。人脑里的全局工作空间通常和递归连接、脑区交互、持续动态有关标准 Transformer 在一次 forward pass 里是前馈结构虽然深度可以模拟某些串行计算但它不是同一种生物机制。第三J-space 主要是 verbalizable representations。人类意识包含视觉、听觉、身体感受、动作意向等多模态成分不只是语言化 token。第四J-space 和“自我”可以分离。论文指出 base model 中已经可能存在 workspace-like 结构但 Assistant 的视角更多是后训练装进去的。这意味着功能工作区不等于人格、自我或主观主体。所以正确读法是这篇工作提供了语言模型中“可报告访问机制”的机制证据而不是意识结论。它确实会进入 AI consciousness 讨论但更稳妥的价值在可解释性、安全审计和训练方法。13. Rocky 的判断可言说性会成为可解释、可控、可协作模型的中间层Rocky 认为这篇工作的长期价值不在“LLM 有没有意识”这个争议标题而在一个更工程化的判断未来 AI 系统的可控性很可能取决于我们能否定位并塑形模型内部的可言说中间层。今天模型控制主要有三条路径输入控制prompt、system message、tool schema、context engineering。输出控制拒答策略、分类器、规则检查、后处理。训练控制SFT、RLHF、DPO、constitutional AI、behavioral eval。但这些路径都有一个共同盲区它们很难直接处理模型“正在形成但还没说出口”的中间状态。J-space 类方法提供了第四条路径内部工作区控制。这条路径还不成熟但方向很清晰可解释性从“给特征命名”走向“识别模型当前可说出的中间判断”。安全审计从“看输出是否越界”走向“看危险概念是否提前进入工作区”。Agent 控制从“把规则写进 prompt”走向“让关键约束在关键决策位置激活”。训练方法从“拟合正确行为”走向“训练模型在潜在反思中调用正确原则”。当然它也带来新风险。能读出和塑形 J-space也意味着更强的模型操控能力。如果未来这类技术成熟安全边界不能只讨论“怎样让模型更听话”还要讨论“谁有权限改写模型内部工作区”。这篇工作最像一个信号大模型可解释性正在从静态特征地图进入动态认知接口阶段。过去我们问模型里有没有某个 feature现在更重要的问题变成某个概念什么时候进入工作区它被哪些下游电路读取它是否影响行动它能否被训练稳定激活它又有哪些任务会绕过这个工作区这才是下一阶段可解释性真正有工程价值的地方。术语与概念速查概念本文中的含义易误读点verbalizable representation模型内部可被语言化、可被报告的表示不是所有可命名特征都算关键是能否进入模型自己的报告/推理Jacobian Lens / J-lens通过后续网络 Jacobian 构造的中间层读取工具不是简单 logit lens它更关注中间激活如何影响最终可说内容J-space由 J-lens token vectors 稀疏组合形成的可言说子空间不是完整 residual stream只是小容量功能子空间global workspace可报告、可调制、可推理、可广播的共享工作区在本文中是功能类比不是证明模型具有人类意识directed modulation模型可按指令把某概念放进工作区不等于输出里必须出现该词alignment auditing通过 J-space 观察模型未输出的战略想法或风险识别是预警信号不是完整安全证明counterfactual reflection training训练模型在被打断反思时说出原则从而改变原情境行为不是普通行为模仿更像塑形内部工作区参考资源Transformer Circuits 主文https://transformer-circuits.pub/2026/workspace/index.htmlAnthropic 导读页https://www.anthropic.com/research/global-workspaceNeuronpedia Jacobian Lens 交互演示https://www.neuronpedia.org/jlensAnthropic expert commentary PDFhttps://www-cdn.anthropic.com/files/4zrzovbb/website/cc4be2488d65e54a6ed06492f8968398ddc18ebe.pdf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