罗罗编程学习记录
本页内容 展开查看

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。