10.10 多模态与 AIGC
所属:全栈开发面试题库 / 10 AI 应用开发:LLM 与 Agent
覆盖范围
- 图像生成(SD/Flux、ControlNet、LoRA)
- ComfyUI 工作流与节点编排
- 视频生成与编辑
- 语音(ASR/TTS、音色克隆)
- OCR 与文档理解、多模态 RAG
子主题
| 编号 | 主题 | 核心内容 |
|---|---|---|
| 10.10.1 | 图像生成 SD/Flux、ControlNet、LoRA | Stable Diffusion/Flux 原理、ControlNet 控制、LoRA 风格训练、显存估算 |
| 10.10.2 | ComfyUI 工作流与节点编排 | ComfyUI 节点系统、工作流设计、版本管理、批量出图、API 调用 |
| 10.10.3 | 视频生成与编辑 | 视频生成模型(SVD/Runway/Pika)、图生视频、视频编辑、显存与成本 |
| 10.10.4 | 语音 ASR/TTS、音色克隆 | ASR 模型(Whisper)、TTS 模型(XTTS/CosyVoice)、音色克隆、实时语音 |
| 10.10.5 | OCR 与文档理解、多模态 RAG | OCR 模型、文档版面分析、多模态 Embedding、多模态 RAG |
高频题索引
| 编号 | 题目 | 难度 | 频率 | 所在页面 |
|---|---|---|---|---|
| 10.10.1-001 | Stable Diffusion 的原理是什么? | 中 | 高 | 10.10.1 |
| 10.10.2-001 | ComfyUI 工作流怎么管理版本? | 中 | 高 | 10.10.2 |
| 10.10.4-001 | 音色克隆怎么做? | 中 | 中 | 10.10.4 |
| 10.10.5-001 | 多模态 RAG 和文本 RAG 有什么区别? | 中 | 中 | 10.10.5 |
当前状态
- 5 个主题页,每主题页 8 题,合计 40 题。
- 图像生成、ComfyUI 部分结合网页端 AI 设计工作流场景,写得偏落地。
- 模型版本、显存数字、API 接口以官方文档为准,本章节不编造固定数值。