AI 热词速览：Codex、RankMixer、Muon、RoPE、MoE 一篇串起来

AI 圈每周都有新名词刷屏，追不动是正常的。这篇把近期热度最高的几个词串成一张地图：每个给三分钟速览，想深入再点进专文。

编程方向

Codex：从代码补全模型到自主编程 Agent 的三次进化，代表"AI 交付整个任务"的新阶段。深读：Codex 是什么。

大模型训练方向

Muon 优化器：动量 + 正交化更新，开源社区验证的 Adam 挑战者。深读：Muon 原理。

RoPE 旋转位置编码：主流大模型的标配位置编码，相对位置性质 + 长度外推。深读：RoPE 原理。

MoE / LatentMoE：稀疏专家撑起超大模型，新方向是在隐空间里把每 FLOP 的准确率卷到极致。深读：MoE 演进。

推荐系统方向

RankMixer：字节把推荐排序模型 scale 起来，纯 Mixer 架构参数翻几十倍、推理成本不涨。深读：RankMixer 解读。

生成式推荐：TIGER、OneRec 主张用大模型直接生成推荐结果，挑战传统四级漏斗。深读：生成式推荐。

这张网说明了什么

三条主线贯穿所有热词：

1. Scaling 信仰扩散：从 LLM 到推荐排序，堆规模换效果成了通用方法论；
2. 架构为硬件让路：Mixer 替代 attention、稀疏专家替代稠密层，效率优先；
3. Agent 化落地：AI 从"给建议"走向"交结果"。

热词怎么变成面试资本

看懂 ≠ 会讲。每个热词按三步消化：速览（本文）→ 深读（专文 + 原论文）→ 自述（合上资料讲 3 分钟，讲不顺就截图问 AI 追问）。面试聊前沿，要的就是这种"读过、想过、能讲"的层次感。

系统性的面试考点整理在大模型面试知识图谱。