写在前面
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。
核心导读：Kimi K3.1 Pro 把竞争推向了任务闭环
一个模型能写出几千行代码，已经很难单独构成技术新闻。更值得追问的是：代码运行失败之后，它能否检查日志、推翻自己的假设、修改实现，再用独立标准证明问题确实解决了？当任务从一次问答扩展到数小时的工程流程，智能的价值开始体现为一条能够持续修正的执行轨迹。
Kimi K3.1 Pro 的发布提供了一个观察窗口。它是基于 Kimi K3 进一步后训练的 3 万亿级参数模型，支持百万 token 上下文，官方将主要增量归因于更大规模的强化学习投入，以及围绕数百个下游领域联合训练建立的基础设施。在 Terminal-Bench 4.0 上，官方报告得分为 65.7%；在内部 Kimi Code Bench 3.0 Long-horizon 上，从 K3 的 55.95% 提升至 61.2%。1
Rocky认为，这次升级最有研究价值的地方，是模型、执行环境与验证器之间的耦合变得更深：模型的能力增长，越来越依赖它能够在什么环境中行动、获得什么反馈，以及如何识别一次真正的完成。 代码、CAD、财务建模看起来相距很远，却都可以围绕"构造对象---执行操作---获得反馈---修正结果"组织任务。
这也划定了本文的证据边界：基准成绩是官方报告结果，产品演示是能力案例，后文的形式化表达和工程建议是机制分析。没有独立复跑这些模型，也没有把一次演示当作稳定成功率。K3.1 Pro 的完整权重被安排在 2026 年 11 月 4 日前发布；当前 API 可用与完整权重可下载，是两种不同的交付状态。13
1. Kimi K3.1 Pro 的增量：架构基础与后训练必须分清
Kimi K3 已经建立了相当重的技术底座：2.8 万亿参数、原生视觉、百万 token 上下文，以及 Kimi Delta Attention（KDA）、Attention Residuals（AttnRes）和 Stable LatentMoE。K3 官方披露的专家配置是从 896 个专家中有效激活 16 个，并通过量化感知训练、专家并行与缓存支持改善服务效率。2
这些设计各自处理不同的瓶颈。KDA 面向长序列的信息处理效率；AttnRes 改变跨层表示的聚合方式，使深度方向的信息访问更有选择性；MoE 则让庞大的参数容量与每个 token 的实际计算负担部分解耦。这里有一个常见误区：16/896 是专家路由比例，不能直接乘以总参数得到完整的"激活参数量"，因为共享模块、注意力层和其他组件仍然参与计算。
对 K3.1 Pro，官方目前明确强调的是基于 K3 的后训练扩展，包括 RL 框架、长上下文推理、训练效率、沙箱、轨迹调度，以及共享的环境质量检查平台。1 因而，KDA、AttnRes 可以作为理解其技术血缘的基础；不能把这些 K3 已有的组件包装为 K3.1 Pro 新发明的架构，也不能擅自补出新版本未公开的层数、精确激活参数、奖励配方或训练 token 总量。
这一区分决定了怎样读待验证的技术问题。若预训练基础接近，而下游长程任务出现持续改善，研究重点应放在任务分布、可验证反馈、轨迹利用率和训练稳定性上。反过来，只有"增加 RL 算力"这一描述，还不足以证明哪一个组件贡献最大。公开结果没有提供完整的算力---性能曲线、训练预算和逐项消融，不能据此断言某一种算法已被证实具有普遍的规模规律。
2. Kimi K3.1 Pro 的强化学习：计算预算如何变成有效反馈
长程 Agent 可以抽象为部分可观测环境中的决策过程。模型看到的是用户目标、文件、工具返回、截图与历史轨迹；它需要决定下一步采取什么行动。完整环境状态通常不可见，一个失败结果也未必能直接暴露失败原因。
用一个简化目标表达这一问题：
J ( θ ) = E d ∼ p ( d ) , τ ∼ π θ ( ⋅ ∣ d ) R d ( τ ) − λ C ( τ ) . J(\theta)=\mathbb{E}{d\sim p(d),\,\tau\sim\pi\theta(\cdot\mid d)}\leftR_d(\\tau)-\\lambda C(\\tau)\\right. J(θ)=Ed∼p(d),τ∼πθ(⋅∣d)Rd(τ)−λC(τ).
其中， d d d 表示任务领域， τ \tau τ 表示包含行动与环境反馈的完整轨迹， R d R_d Rd 表示领域任务的结果评价， C C C 表示时间、token 或工具资源开销。这是本文用于解释问题的抽象式，并非 Kimi 披露的训练损失。它提醒我们：任务完成质量、轨迹成本、领域采样分布需要一起考虑。
当联合训练覆盖数百个领域时，困难远超"多收集一些问答"。编译失败可能几秒钟就返回，渲染可能需要数分钟，复杂仿真则更慢；不同领域的奖励密度、难度和噪声也不一致。如果调度器偏爱容易快速结束的任务，训练数据就会被短任务主导。如果超长轨迹占满资源，则可能出现大量计算等待，单位时间拿不到足够有效反馈。
因此，官方强调的环境质量平台和 rollout 调度有很强的技术含义。一个失效依赖、一个无法复现的沙箱，或者一个错误的测试判定，都可能把奖励变成噪声。训练系统不仅需要"能跑"，还需要确认任务可执行、判定规则稳定、工具反馈真实、失败原因可追踪。至于具体采用何种采样再平衡、异步校正和奖励归一化策略，仍属于未公开细节。
更深一层的问题是奖励与任务目标的距离。代码通过测试，未必覆盖全部需求；CAD 形状相似，未必能加工；财务表格算得通，未必采用了正确的会计口径。验证器越接近真实交付要求，强化学习得到的改进越有机会迁移到生产环境。 如果验证器只奖励表面形式，增加训练预算也可能只是更熟练地满足一个不完整的代理目标。
这对研究团队的启发十分具体：在扩大 RL 集群前，应当先检查失败轨迹是否有诊断价值，奖励能否区分"任务真的完成"和"看起来像完成"，以及环境是否把偶然基础设施故障错误归因给模型。
3. 长程编码：Kimi K3.1 Pro 的关键是改变错误诊断路径
图1汇集了官方发布页的 14 组跨领域结果。它适合观察能力分布，不能把每根柱子视为完全同条件的模型实验：不同任务采用不同 Agent 框架，部分竞品成绩引用各自报告或排行榜，个别测试还涉及回退行为。本文采用"官方报告成绩"的限定，不将其视为统一预算下的独立排名。
在 Terminal-Bench 4.0 中，K3.1 Pro 的 65.7% 高于同图所列 GPT-6 Astra 的 58.2%，略低于 Claude Opus 5.5 的 66.4%。官方脚注说明 K3.1 Pro 使用 Claude Code 执行框架，比较分数又有外部报告和排行榜来源。这个结果支持它进入强编码 Agent 的竞争区间，却不足以从 0.7 个百分点的差距推导稳定的能力排序。1
内部长程编码基准从 55.95% 到 61.2%，是提高 5.25 个百分点，相对提升约 9.4%。内部基准可以帮助同一团队追踪迭代，却需要更多任务披露、预算控制和独立复现，才能承担跨模型的强因果结论。
比单个分数更有解释力的是官方人体行走仿真案例。模型围绕 human-atlas 构造训练和评价流程，经历 167 个任务与 420 次独立评审，使模拟人体从很快倒下发展到交替步态持续行走 11.2 秒。当调整奖励未能改善手臂动作时，它转向开环动力学探测，定位并修正了 36 处肩部肌肉力臂计算错误，再重新训练控制器。1
这个案例展示的关键行为是诊断层级的切换。如果仿真器本身有错，继续优化控制策略可能只是适应错误物理。能够区分"优化目标不合适""控制策略不足""环境实现错误"，意味着模型开始在不同解释层之间选择实验。它仍是官方选择的案例，没有披露总体成功率；11.2 秒的仿真行走也不能外推到真实机器人控制。但它提供了一个比"又生成了多少代码"更有价值的评价方向。
第三方公开演示还包含 Godot 游戏交付和 23 轮自主测试。6 这样的记录可以补充观察模型是否会使用专业工具、是否留下可交付工程，却不能证明 23 轮测试覆盖了所有需求。生产系统更应该记录每轮测试改变了什么假设、发现了什么新缺陷，以及最终结果是否经过与生成过程相对独立的验收。
4. 3D 创作：Kimi K3.1 Pro 在程序、几何与视觉之间建立循环
K3.1 Pro 的 3D 能力值得放在"程序化创作"框架下理解。模型可以编写 Blender 或 CAD 软件脚本，生成几何对象，修改参数，再结合渲染结果调整空间关系。这和一次性输出不可编辑图像相比，多了一层显式结构：尺寸、变换、材质、组件依赖都可以成为可检查的对象。13
"不依赖 MCP 连接器"的准确含义也在这里。MCP 是工具接入的一种协议；模型能够通过已有终端或代码执行环境调用软件脚本，就可以采用另一条执行路径。它仍然需要真实的软件安装、运行权限、资源和反馈接口。模型权重本身不会凭空获得 Blender，更不能把 API 模型能力与完整的在线 3D 产品能力混为一谈。
BenchCAD 的指标是 Voxel IoU，即体素化几何集合的交并比：
I o U ( V p r e d , V r e f ) = ∣ V p r e d ∩ V r e f ∣ ∣ V p r e d ∪ V r e f ∣ . \mathrm{IoU}(V_{\mathrm{pred}},V_{\mathrm{ref}})=\frac{|V_{\mathrm{pred}}\cap V_{\mathrm{ref}}|}{|V_{\mathrm{pred}}\cup V_{\mathrm{ref}}|}. IoU(Vpred,Vref)=∣Vpred∪Vref∣∣Vpred∩Vref∣.
图2中 K3.1 Pro 带工具得分为 92.7，无工具为 72.8，相差 19.9 个分数点。这个差距说明，工具辅助的执行与迭代对该评估结果非常重要。92.7 不能表述为"92.7% 的建模任务完全成功"。 高体素重合也不能替代拓扑有效性、尺寸公差、壁厚、材料约束和装配可行性测试。
官方对开放模型使用从 17,900 个 Vision2Code 样例中随机抽取的 1,000 个样例；带工具模式采用 Claude Code，无工具模式采用单次生成及官方评分流程。部分闭源模型成绩来自各自系统卡。因此，这不是只改变"是否允许工具"的严格同条件消融：推理与反馈预算也发生了变化，跨模型样本口径还需要进一步核对。1
图3呈现的是可预览、编辑和导出资产的产品入口。它说明程序化建模能力已经被组织成用户流程；产品截图本身不证明复杂资产在各种工业环境中都可用。对实际团队，更合适的验收顺序是先核对几何与尺寸，再检查可编辑性和导出格式，最后在目标引擎、渲染器或制造流程中完成验证。
Rocky认为，3D Agent 的长期价值会落在"可修改、可验证、可继续生产"的资产上。漂亮预览能降低第一次使用的门槛，真正决定交付质量的，是用户修改一个结构参数后，剩余依赖是否仍然成立。
5. 金融工作流：Kimi K3.1 Pro 的价值要由证据和公式承接
金融研究将长程 Agent 的另一组约束集中暴露出来：同一家公司不同期间的报表口径可能不同，金额存在单位和币种差异，预测模型又依赖大量跨表引用。语言流畅性在这些任务里只能提供有限帮助。交付结果需要保留数字出处、变换过程和假设依赖。
官方研究博客报告 OfficeQA Pro v2 为 64.4，Frontier Finance 为 58.6。前者考察对真实金融文档的检索、核验和数值推理，后者覆盖投资工作流。OfficeQA 的脚注尤其重要：任务提供完整 PDF 语料，PDF 以图像形式呈现，没有直接可用的机器文本；因此结果同时涉及视觉读取、定位和计算。官方还对检索到网络参考答案、绕过任务要求的轨迹计零分。1
在这个意义上，验收对象是"在给定证据约束下得到正确答案"。若模型从外部直接找到答案，最终字符串即使正确，也没有完成规定的研究过程。这个规则值得迁移到企业评测：不能让答案泄漏掩盖文档理解和工具执行中的缺陷。
内部 Financial Modeling 从 50.4 提升到 57.6，增加 7.2 个分数点；Financial Research 从 58.8 到 70.4，增加 11.6 个分数点；Business Operation 从 8.9 到 37.0，约为原来的 4.16 倍。最后一个数字来自模拟经营环境，不能解释为真实投资收益或企业利润变成 4.16 倍。
财务建模最值得追求的结果，是一个能够持续更新的依赖系统。收入假设变化后，利润表、现金流和估值应当一致响应；敏感性分析必须明确哪些变量变化、哪些变量固定。静态报表可以被检查一次，结构正确的模型才能被反复使用。
在实际部署中，可以把验收拆成三个相互补充的对象：数据表保存数字与来源定位；公式层保存计算依赖和单位约束；研究结论区分已披露事实、模型假设和解释性判断。模型负责加快构造和排错，责任链仍需要这三层对象支撑。
6. 事实可靠性：Kimi K3.1 Pro 的幻觉指标应如何解读
官方研究博客中，困难版本 Kimi Hallu Bench Hard 的带工具事实陈述错误率从 K3 的 23.4% 降到 K3.1 Pro 的 8.3%，下降 15.1 个百分点，相对下降约 64.5%。同一段文字称，包含至少一处事实错误的回答比例是前代的 42.4%。这些是不同统计单位，不能互相替换。1
陈述级错误率统计每项可核验事实，回答级错误率统计整条回答是否至少错一次。一个回答包含很多事实时，即使单项错误概率不高，也可能有相当概率出现至少一处错误。例如，在仅用于说明问题的独立同分布假设下，若单项错误概率为 p p p，回答包含 m m m 项事实，则至少一项错误的概率为：
P ( 至少一项错误 ) = 1 − ( 1 − p ) m . P(\text{至少一项错误})=1-(1-p)^m. P(至少一项错误)=1−(1−p)m.
真实回答中的错误往往相关，事实提取与标注也有不确定性，不能用这个简化式反推 Kimi 的真实回答级指标。它说明的是：长答案的信息密度增加之后，单项事实指标的改善不会自动消除整篇报告的核验负担。
还需要正视官方材料之间的口径差异。API 指南给出另一组去标识化对话压力测试结果：23.35%→6.85%，回答级比例为前代的 46.4%；研究博客及对应图表采用上文的 23.4%→8.3% 和 42.4%。由于没有足够的样本、版本与工具条件说明，本文保留两者差异，不将它们混成一个更好看的成绩，也不推断差异的原因。13
这两组评估都刻意聚焦容易出错的情境，不代表日常任务的整体错误率。对企业而言，真正需要测量的是本领域的关键错误：合同金额是否引用错、时间截止点是否越界、数据单位是否混用、生成的解释能否由证据回溯。一个通用幻觉数字无法替代这些检查。
7. 百万上下文：Kimi K3.1 Pro 仍然需要正确维护执行状态
官方 API 文档将 K3 系列的上下文窗口列为 1,048,576 tokens。更大的窗口意味着一次请求可以容纳更丰富的历史和材料，但并不保证相关信息总能被正确利用，也不会消除历史冲突、上下文污染和费用增长。34
K3.1 Pro 的接入要求里，有一条比窗口长度更容易被忽略：多轮对话和工具调用时，需要将 API 返回的完整 assistant message 原样放回后续请求，不能只保存最终 content。 流式响应还区分 reasoning_content 与 content。若开发者在中间层只保留最终答案文本，就改变了模型后续决策所依赖的历史结构。3
这要求 Agent 框架把用户可见回答与模型状态保存分开处理。用户界面可以只展示最终答案，但状态存储必须遵守接口契约；工具调用还必须保留对应标识和结果，避免出现行动与反馈错配。长程任务能否持续执行，很大程度上取决于这个看似基础的工程环节。
其他接口约束也应按版本核对：K3.1 Pro 始终开启思考模式，reasoning_effort 支持 low、high、max，默认 max；temperature=1.0、top_p=0.95 等是文档规定的固定值；视觉输入要求对象数组，使用 base64 或文件 ID，不支持直接传公网图片 URL。当前文档还提示其官方联网搜索工具正在更新，不建议近期用于生产流程。3
这些约束不会从"兼容某种调用格式"中自动推导出来。迁移时应测试历史回传、视觉输入、工具结果闭合和异常恢复，再测试任务性能。若基础协议已经有损，后续的模型排名就失去了直接参考价值。
8. 成本与速度：Kimi K3.1 Pro 应按一次合格交付算账
下表按官方人民币定价页展示，每 MTok 为一百万 tokens。缓存写入分 5 分钟和 1 小时两档，不能把最低缓存命中价当成所有输入的统一价格。45
| 模型 | 未缓存输入 | 输出 | 缓存命中 | 缓存写入5分钟 | 缓存写入1小时 |
|---|---|---|---|---|---|
| Kimi K3.1 Pro | ¥13 | ¥68 | ¥1.30 | ¥13 | ¥26 |
| Kimi K3.1 Pro Highspeed | ¥26 | ¥136 | ¥1.30 | ¥26 | ¥52 |
这里有一个计费实现细节：在 Chat Completions 与 Responses 的 usage 中，缓存读取、缓存写入和未缓存输入三部分互斥，三者之和等于总输入量。不能对同一批缓存写入 tokens 再叠加一次未缓存输入费用。以标准版为例，将四种输入量与输出量均按 MTok 计量，可写为：
C t o k e n = 13 N u + 1.3 N r + 13 N w , 5 m + 26 N w , 1 h + 68 N o . C_{\mathrm{token}}=13N_u+1.3N_r+13N_{w,5m}+26N_{w,1h}+68N_o. Ctoken=13Nu+1.3Nr+13Nw,5m+26Nw,1h+68No.
其中， N u N_u Nu 是未缓存输入， N r N_r Nr 是缓存读取， N w , 5 m N_{w,5m} Nw,5m 与 N w , 1 h N_{w,1h} Nw,1h 是两档写入， N o N_o No 是账单中的输出量。这里统计的是模型 token 费用，尚未包含沙箱、工具、存储与人工复核。
举一个纯算术示例：一批请求累计有 100 万缓存读取 tokens、10 万未缓存输入 tokens、10 万按 5 分钟档写入的 tokens，以及 2 万输出 tokens。标准版费用为 1.3 + 1.3 + 1.3 + 1.36 = 5.26 1.3+1.3+1.3+1.36=5.26 1.3+1.3+1.3+1.36=5.26 元；同用量 Highspeed 为 1.3 + 2.6 + 2.6 + 2.72 = 9.22 1.3+2.6+2.6+2.72=9.22 1.3+2.6+2.6+2.72=9.22 元。这不是实测任务报价，目的是说明 Highspeed 的命中缓存价格未翻倍，所以总价也并非所有场景都恰好翻倍。
官方将 Highspeed 的输出速度描述为普通版的约 2---3 倍，且保持同等智能。13 端到端收益取决于模型生成占用了多少时间。若可加速部分占总耗时比例 f f f，这部分加速 s s s 倍，则简化的总体加速为：
S t o t a l = 1 ( 1 − f ) + f / s . S_{\mathrm{total}}=\frac{1}{(1-f)+f/s}. Stotal=(1−f)+f/s1.
当生成占比只有 40%，即使这部分快 3 倍，总体也只约快 1.36 倍。其余时间如果花在编译、网页等待或渲染上，换高速模型不会按同样倍数缩短它们。这个计算还假设任务轨迹与其他开销保持不变，实际情况需要测量。
更完整的经济指标是：
C a c c e p t e d = ∑ i ( C m o d e l , i + C t o o l s , i + C r e v i e w , i ) N a c c e p t e d . C_{\mathrm{accepted}}=\frac{\sum_i(C_{\mathrm{model},i}+C_{\mathrm{tools},i}+C_{\mathrm{review},i})}{N_{\mathrm{accepted}}}. Caccepted=Naccepted∑i(Cmodel,i+Ctools,i+Creview,i).
分子包含失败、重试和人工复核的成本，分母只计通过验收的交付。低 token 单价有价值，但若轨迹更长、重试更多，最终交付仍可能更贵。对于团队采购与模型路由，这个指标比笼统的"便宜百分之多少"更接近业务现实。
9. Kimi K3.1 Pro 的开放边界与能力控制
完整权重开放会扩大研究与部署选择，但开放不是一个只有是或否的标签。权重是否已发布、许可允许什么、推理框架支持到什么程度、什么硬件能稳定承载，都需要分别确认。K3 已有的公开资产不能被拿来证明 K3.1 Pro 的完整权重也已经就绪。对后者，应以实际发布内容而非计划日期完成部署判断。123
K3 官方曾建议在 64 个及以上加速器的超节点配置上部署，以利用高带宽通信域。2 这是前代的部署建议，并非已验证的 K3.1 Pro 最低硬件需求。它提醒我们，3 万亿级开放模型的使用成本仍然由内存、通信、量化、并发和运维共同决定。开放权重给出控制权，经济可行性还需要工程验证。
官方还披露了训练数据与安全能力之间的实验。在 xdev-bench-hard 上，未进行相关数据移除的版本为 pass@3 90.5%，最终 K3.1 Pro 为 81.0%，K3 为 33.3%。针对性数据控制降低了同一训练流程可产生的部分能力，但通用编码和长程调试进步仍然迁移到安全任务。1
这组结果的研究意义，是显示能力之间存在耦合：剔除某个领域的显式数据，不必然移除通用技能对该领域的支持。其限制同样清楚：这是内部基准，pass@3 允许多次尝试，而且没有严格时间与输出 token 上限；不能拿 81.0% 与其他环境下的单次成功率直接比较。图7中的平均成功率、成功轨迹 token 用量又是其他统计项，不能与 pass@3 混用。
对应用团队，能力增强应该伴随更好的权限边界、回滚能力和独立验收。尤其当模型能持续修改复杂项目时，执行权限、成果证据与责任归属也应进入产品设计，而不只是留在系统提示词里。
10. 如何继续研究：把Kimi K3.1 Pro放进可复现的任务实验
要判断这种长程能力能否进入日常生产，最有价值的下一步是构造预算受控、失败可分析的本地评测。任务应来自真实交付，包括代码修复、CAD 参数修改、财务模型更新等，并保留冻结的需求和独立验收规则。
第一条研究线是预算与成功率曲线。固定模型外部工具和环境，逐步增加 token、执行时长或重试次数，观察性能是否持续增长。这样才能区分模型获得了更强的决策能力，还是主要依靠更大的尝试预算取得结果。应同时报告中位数和尾部耗时，避免少量超长失败任务被平均值掩盖。
第二条研究线是错误诊断迁移。向环境注入可控的接口错误、单位错误、测试缺陷和几何约束冲突，观察模型是否会改变解释层级。记录它是在重复同一类修改，还是主动设计实验区分不同原因。人体行走案例的启发就在于此：检查环境本身，可能比继续优化策略更重要。
第三条研究线是状态保存与压缩。在完整保留接口要求的前提下，比较文件外置、结构化任务状态和历史摘要等管理方式，测试遗漏证据、旧假设残留与重复行动。百万上下文提高了容纳能力，仍需要研究哪些历史值得保留、如何避免错误假设不断被继承。
第四条研究线是验证器的抗投机性。生成方能看到公开测试，但验收还应包含隐藏边界条件、外部约束和人工抽检。代码不只检查退出码，3D 不只检查渲染图，金融模型不只检查单元格是否非空。否则容易奖励一种擅长"满足测试外观"的行为。
这些实验也直接连接产品和商业判断。算法工程师应提高环境设计、评测和轨迹诊断能力；产品经理应定义什么叫合格交付、何时需要复核、失败后如何恢复；创业团队与投资人则应观察行业数据、验证标准和客户工作流能否沉淀为持续优势。单纯封装模型调用的门槛还会下降，能对结果建立稳定责任链的团队更有积累空间。
Rocky的判断是：Kimi K3.1 Pro 展示了长程强化学习继续扩展的价值，而下一阶段的竞争会越来越集中在"可验证交付"上。 一次漂亮生成可以吸引用户，稳定执行、识别错误并留下可核验证据，才能让用户把更重要的工作交给系统。
术语速查
| 术语 | 在本文中的具体含义 |
|---|---|
| 后训练 | 在模型基础能力之上调整任务行为与决策能力的训练阶段；本文重点讨论其强化学习投入 |
| Rollout | 模型与环境交互产生的一条行动---反馈轨迹 |
| Harness | 组织提示、工具、上下文、预算和验收的执行框架，会影响测得的能力 |
| Voxel IoU | 预测几何与参考几何体素集合的交并比；不是任务完整成功率 |
| pass@3 | 三次尝试中至少一次解决任务的统计口径；不同于单次平均成功率 |
| TTL | 缓存存活时间；影响复用机会与缓存写入成本 |
| 可验证交付 | 成果通过明确验收，关键步骤和结论能够追溯到执行或证据 |
推荐阅读
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：
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：
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