主流图像生成模型与技术路线
哪些公司问过
答案要点
- 扩散模型:前向逐步加噪、反向迭代去噪,训练目标通常是预测噪声或速度
- Stable Diffusion 在 VAE 潜空间做扩散,文本条件经交叉注意力注入去噪网络
- 去噪主干从 U-Net 演进到 DiT,SD3、FLUX 等结合流匹配训练
- 可控生成:ControlNet 加结构条件,LoRA 定制风格或人物,图生图和局部重绘做编辑
- 多模态大模型原生生图强化了指令理解与多轮编辑,闭源模型架构细节多未公开
易错点
- 把 Midjourney、DALL·E 3 等闭源模型的内部结构说得很具体,实际细节多未公开
- 误以为 Stable Diffusion 直接在像素空间去噪,实际是在 VAE 潜空间
- 只列模型名字,讲不清加噪、去噪和条件注入机制
面试官常见追问
- 文本到图像生成的基本流程是什么?
- GAN 和扩散模型各有什么优劣?
- Nano Banana、Seedream 这类新模型怎么介绍?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。