恶意 URL 多分类检测的表征融合与泛化边界

简介: 本文分析《Scientific Reports》2026年发表的HCAN研究:首次将恶意URL检测由二分类扩展为正常、钓鱼、篡改、恶意软件四分类,采用字符序列与64维人工特征双输入,融合层级卷积、残差连接与多头自注意力,在62万URL上达92.56%准确率。重点探讨字符表征鲁棒性、双路径互补机制及类别歧义导致的性能落差(如钓鱼类F1仅79%),并强调泄漏感知预处理、折外验证与分布偏移对结论可信度的关键意义。(239字)

摘要:恶意 URL 检测长期以二分类任务组织,即判别 “正常” 与 “钓鱼”,但真实流量的威胁类型并不止一种,仿冒页面、页面篡改与载荷投递在 URL 形态上高度接近,二分类模型既不解释类型,也难以按类型分配处置资源。《Scientific Reports》2026 年 11 月 17 日刊出的 HCAN 研究,把任务扩展为正常、钓鱼、篡改、恶意软件四分类,以字符序列与 64 项人工特征的双输入结构,通过层级卷积、残差连接与多头自注意力完成表征学习,在 62 万余条预处理 URL 上报告 92.56% 的准确率与 90.61% 的宏平均 F1,并在未作任何再训练的外部数据集上取得 87.43% 的准确率。本文以该研究为分析对象,讨论三个相互关联的问题:字符级表征为何能在混淆与伪装条件下保持稳定,双输入融合何以弥补单一表征的盲区,以及四分类任务的类别歧义如何解释 “总体指标良好、钓鱼类 F1 仅 79%” 这一落差。在此基础上,本文进一步审视泄漏感知的预处理与折外验证对结论可信度的意义,指出外部评测约五个百分点的性能衰减反映的是分布偏移而非模型失效,并主张把类别代价、校准与在线漂移监测纳入部署设计。多分类 URL 检测的价值不在于把准确率再提高零点几个百分点,而在于让不同类型的恶意行为获得可区分的证据链。

关键词:恶意 URL 检测;层级卷积网络;注意力机制;特征融合;分布偏移

image.png 1 引言

在入侵链条中,URL 承担着把受害者从可信环境引向攻击者控制环境的转换功能。钓鱼邮件里的短链接、社交平台上的仿冒域名、搜索引擎广告中的跳转地址,本质上都是同一种技术动作:用一个看似合理的字符串,换取一次点击。围绕这一动作建立的检测体系,早期依靠黑名单与规则匹配,随后转向机器学习,近年则以深度表征学习为主流。这一演进的共同前提,是把问题设定为二分类 —— 判定某条 URL 是否恶意。

二分类设定在工程上简洁,在语义上却有明显的损耗。所谓 “恶意” 其实是一个混合类别:仿冒品牌页面窃取凭据的钓鱼站点、被入侵后替换首页的篡改页面、托管恶意安装包的投递站点,三者在 URL 字符串上的表现并不相同,在处置方式上更不相同。钓鱼站点需要封禁并通知被仿冒品牌,篡改站点需要通知站点所有者清理、避免误伤正常业务,载荷投递站点则要追溯托管基础设施并阻断下载。把它们压缩进同一个标签,检测结果就只剩一个动作:拦截。拦截之后由谁跟进、如何申诉、如何避免重复误伤,全部落到人工判断,这正是当前 URL 过滤系统在运营层面最常见的瓶颈。

HCAN 研究所做的,是把这一混合类别拆开。作者来自马尼帕尔大学斋浦尔分校,论文于 2026 年 11 月 17 日在线发表,任务设定为四分类:正常、钓鱼、篡改、恶意软件。方法上不作单向堆叠,而是让两条表征路径并行:一条直接读字符序列,用层级卷积与注意力提取局部与长程模式;另一条读取 64 项人工构造的词法、统计、熵、IP、HTTPS 与钓鱼关键词特征;两路结果拼接为联合嵌入后进入分类头。数据侧使用 Malicious-Phish 数据集中经预处理的 629,822 条 URL,采用泄漏感知的预处理流程与五折折外验证,主要指标为 92.56% 的准确率、90.61% 的宏平均 F1 与 93% 的加权 F1,其中钓鱼类的 F1 为 79%,是四类中最低的。作者另用一个外部 URL 数据集在不作再训练、不作微调的条件下评测,得到 87.43% 的准确率与 82.48% 的宏平均 F1。

这组数字值得细看,而不是当作又一项 “高准确率” 成果来引用。宏平均 F1 与加权 F1 之间存在差距,说明类别不均衡正在拉低少数类表现;钓鱼类 79% 的 F1 与总体 90% 以上的水平之间的落差,说明错误并非均匀分布,而是集中在最需要准确识别的那一类;外部评测约五个百分点的衰减,说明实验室内的折外验证并不能代表跨域部署的真实难度。本文的处理方式,是把该研究放回它所在的问题结构中去讨论:先说明任务定义与数据基础如何决定结论的适用范围,再分析双输入表征的分工与互补,随后解释类别歧义带来的性能天花板,最后讨论评测方法、部署约束与后续研究方向。需要预先声明的是,本文属于对既有研究的机制性阐释,不重复其实验,也不对其未报告的基线对比作任何推断;凡涉及具体数值,均以该文公开报告者为限。

2 任务设定与数据基础

四分类任务的难度并不均匀地增加,而是沿着 “语义接近度” 重新分布。二分类只需要区分 “像不像正常业务”,四分类则要求在三个恶意类别之间作出区分,而这三类恰恰共享大量表层特征:都可能使用 HTTPS,都可能位于注册不久的域名,都可能包含品牌词或动作词,都可能经短链跳转。分类器于是被迫依赖更细的线索,例如路径层级的组织方式、主机名的构造逻辑、查询参数的排列习惯。这也解释了为何该研究要在字符层面建模,而非仅用词袋或人工规则。

数据规模是这项工作的一个支点。629,822 条预处理后的 URL,在公开 URL 数据集里属于较大体量,足以支撑参数量中等的层级网络。但规模本身不构成价值,关键是预处理是否阻断了信息泄漏。URL 数据集最常见的隐患有三类:同一活动批量生成的 URL 共用模板,只在随机串上不同,若随机划分训练集与测试集,模型实际上是在识别模板而非学习泛化;同一主域下的多个路径被分到不同集合,主机信誉信息在训练时已被模型记住;数据集构建时先收集恶意样本、再补充正常样本,导致两类样本的采集时间窗不一致,模型可能学到 “时间段” 而非 “形态”。该文明确采用泄漏感知的预处理与五折折外验证,其意义在于把评估对象从 “记忆能力” 拉回到 “泛化能力”。这一点比任何单点准确率都更值得关注,因为 URL 检测领域长期存在评测过于乐观的问题,很多报告的 99% 在高相似样本去重之后会显著回落。

折外验证的结构也需要说明。五折折外意味着每一折的预测都来自未见过该折样本的模型,汇总后的指标不包含训练集内的自评。这一安排能抑制过拟合带来的虚高,但仍不能替代时间切分:若各折的样本在时间上混杂,模型依然可以借助 “同一时期的活动特征” 获得优势。真正严格的评估应按时间前向切分,用较早数据训练、较晚数据测试,因为部署场景中的对手会持续调整,而模型只能见到过去的样本。该文的外部数据集评测在一定程度上弥补了这一点,但单一外部集只能提供一次跨域抽样,不足以刻画漂移的全貌。

还有一处需要在方法层面加以澄清:四分类的标签来自数据集既有标注,而 URL 级标签往往由活动级情报下发。一个被判定为钓鱼活动的域名,其下所有 URL 可能被统一标注,其中难免包含跳转页、空白页、错误页。这类标签噪声在四分类中比在二分类中更致命,因为它会直接污染类别边界,使模型在 “钓鱼” 与 “篡改” 之间摇摆。该文未报告标签清洗的具体规则,这是解读其钓鱼类 F1 偏低时必须考虑的一个替代解释。

3 双输入表征的分工与互补

字符级建模的第一个好处,是绕过分词。URL 不是自然语言,它没有词边界,主机名由标签拼接,路径由斜杠切分,参数由等号与连接符组织,用词表切分反而会制造大量未登录项。直接读字符序列,模型不需要预设 “什么是词”,也就不受新品牌名、新参数名的影响。第二个好处是对混淆的鲁棒性。攻击者常用的手法包括同形字替换、百分号编码、大小写混用、在域名前填充无意义子域、在路径中插入冗余分隔符,这些操作在字符层面留下的痕迹,恰恰是词级模型容易抹平的。第三个好处是可迁移:字符分布在不同语言、不同注册机构之间相对稳定,模型不必依赖某一语种的词表。

层级结构解决的是感受野问题。URL 的长度差异很大,短则十余字符,长则数百字符,单一卷积核难以同时覆盖顶级域这样的短模式与完整路径这样的长模式。多尺度卷积在不同宽度上并行提取字符 n 元组式的模式,使模型能同时关注 “顶级域是否异常”“路径是否含可疑扩展名”“主机名是否呈随机串形态”。残差卷积则保证网络在加深时不至于梯度退化,使层级堆叠成为可能而非负担。多头自注意力补上了长程依赖:域名的品牌词与路径中的动作词往往相隔较远,二者共同构成仿冒语义,注意力机制可以在一次前向中把这两处联系起来,而卷积需要多层堆叠才能达到同等跨度。

人工特征那一路承担的是另一种职能。64 项特征覆盖词法、统计、熵、IP、HTTPS 与钓鱼关键词六个方向:词法特征记录长度、字符构成、分隔符数量、数字比例;统计特征刻画各段落的分布偏斜;熵特征度量主机名或路径的随机程度,对域名生成算法产生的字符串尤为敏感;IP 特征记录主机是否直接以地址形式出现;HTTPS 特征记录协议使用与证书相关线索;关键词特征则捕捉登录、验证、安全、账户一类诱导性词汇。这些特征的可贵之处不在精度,而在稳定性与可解释性:它们的取值域由人工界定,在分布偏移时不会像深层表征那样突然失准,且每一个取值都能向审核人员说明理由。

两路融合的合理性由此建立。字符分支表达力强,能捕捉训练分布内的细微模式,但对分布外的构造方式缺乏先验;人工分支表达力弱,却携带领域知识,且对未见过的样本保持一定的判别力。二者拼接为联合嵌入,相当于让模型在做判别时同时参考 “数据里学到的” 与 “人已经知道的”。这也意味着融合方式本身值得研究:简单拼接让两路特征在同一空间内竞争权重,若某一路维度更高或数值尺度更大,就容易在训练早期主导梯度;加权融合或门控融合能让模型按样本自适应地调整两路贡献,例如对高度混淆的 URL 提高人工特征的权重。该文采用拼接式联合嵌入,实现简洁,但也把权重分配交给后续层自行学习,这一设计选择在跨域评测中的代价,正好对应外部数据集上那几个百分点的衰减。

4 类别歧义与性能天花板

钓鱼类 F1 为 79%,与宏平均 90.61% 之间的落差,是全文最值得追问的一处。若把这一落差简单归因于 “钓鱼更难”,就错过了真正的机制。三类恶意 URL 在构造逻辑上的差异,决定了它们的可分离程度。

篡改页面的典型载体是被入侵的合法站点。URL 本身往往完全正常:域名有历史、有信誉、有正常的外链结构,变化发生在页面内容而非字符串。因此,任何以 URL 字符串为主要输入的模型,在这一类上都缺少判别依据,只能依赖路径异常、参数异常等间接线索。这类样本在训练集中占比通常不高,模型很容易学到一个捷径:把 “域名信誉良好” 等同于 “正常”,从而在篡改类上产生漏检。

钓鱼页面的处境相反。它的字符串被刻意设计成接近正常业务:品牌词出现在子域或路径中,协议为 HTTPS,路径短而规整,参数少而自然。这种 “主动模仿” 直接侵蚀了词法与统计特征的有效性 —— 字符分布的偏斜被刻意抹平,熵值被控制在正常区间,关键词的使用也趋于克制,避免堆砌。可以说,钓鱼类别的性能天花板,来自对手对特征分布的主动对齐,而非模型容量不足。

恶意软件投递则呈现第三种形态:域名可能简陋,路径可能指向压缩包或脚本,参数可能携带编码后的载荷标识。这类样本在字符串层面留下的痕迹较多,通常较易分离,但也正因如此,攻击者只需一次跳转即可把载荷地址隐藏在响应内容中,URL 层看到的仍是普通页面。四分类的边界因此并非静态的技术分类,而是对手策略与检测特征之间持续博弈的临时平衡点。

标签体系本身也参与制造歧义。同一条 URL 在不同情报源中可能被标为钓鱼或恶意软件,取决于该活动被谁先发现、以何种意图归因。当一条 URL 同时具备仿冒登录页与载荷下载功能时,单一标签必然丢失信息。更合理的做法是多标签或层级标签,允许 “钓鱼+投递” 并存,并在评估时按主标签与次标签分别计分。该文沿用单标签四分类,指标上的类别混淆因此有一部分并非模型之过,而是任务设定本身的表达力不足。

5 评测、偏移与部署约束

92.56% 的准确率在四分类任务中属于可用水平,但准确率是最容易被类别分布稀释的指标。该文同时报告宏平均 F1 与加权 F1,前者对各类一视同仁,后者按样本量加权,两者相差约 2.4 个百分点,恰好量化了类别不均衡的影响。对运营而言,真正决定体验的不是这两个数,而是各类的召回与误报在具体阈值下的组合:钓鱼类的漏检意味着凭据被窃,篡改类的误报意味着正常站点被错误封禁并引发申诉,投递类的漏检意味着终端侧要独立承担拦截压力。三类错误的代价并不对称,因此单一阈值并不合理,按类别设定不同 operating point 才是工程上应有的做法。

外部评测的结果更值得重视。在完全不重新训练、不微调的条件下,准确率从 92.56% 降到 87.43%,宏平均 F1 从 90.61% 降到 82.48%,衰减约五个百分点。这一幅度说明模型学到的表征具备一定的跨域迁移能力,但也说明它并非分布无关。衰减的来源大体可归为三处:域名分布的差异,外部集可能包含更多在训练集中罕见的顶级域与注册机构;短链与跳转服务的占比差异,短链把真实目标隐藏在重定向之后,使 URL 字符串本身的信息量骤降;类别先验的差异,外部集的四类比例未必与训练集一致,而分类头在训练时已按先验校准。三者叠加,正好解释了为什么 “字符级表征更稳定” 这一优势在跨域时被削弱:字符分布稳定,但字符所承载的语义不稳定。

部署层面还有几项约束不容忽略。其一是延迟。双分支结构意味着两次前向与一次融合,字符分支的卷积在多尺度上并行,计算量随序列长度线性增长,而 URL 长度分布长尾明显,少数超长 URL 会拉高尾延迟。工程上通常需要截断、分段池化或对长序列降采样,这些处理会损失信息,需在准确率与响应时间之间作显式取舍。其二是可解释性。注意力权重常被当作解释手段,但注意力高并不等于因果重要,同一段字符在不同样本中的权重分布也可能互相矛盾。更可靠的做法是在段落级别作消融:遮蔽主机名、路径或查询参数中的某一段,观察预测变化,从而给出 “哪一段导致了判定” 的证据。其三是漂移。恶意 URL 的形态随活动周期变化,模型的性能会随时间自然衰减,需要以在线样本的分布指标与人工复核结果共同触发再训练,而不是按固定周期盲训。

反网络钓鱼技术专家芦笛在讨论这类系统的边界时指出,URL 分类器的对手不是随机噪声,而是会阅读检测逻辑的运营者:当模型依赖关键词与路径后缀时,对手只需改用语义中性的路径与干净的域名,就能把判定推到阈值以下;当模型依赖域名年龄与信誉时,对手只需提前囤积域名、养号数月,同样可以绕过。他的判断是,字符串层面的检测应当被视为一道筛子而非一堵墙,其价值在于以较低成本过滤掉大量低质量样本,把有限的人工审核资源集中到高疑点个案上;把它当作唯一防线,误判与漏判都会被放大。

这一判断与多分类设定的意义正好呼应。分类的价值不在于给出 “恶意” 这一结论,而在于给出类型与证据,使后续处置能够分工:钓鱼类进入品牌保护与域名投诉流程,篡改类进入站点通知与清理流程,投递类进入托管商协查与终端阻断流程。若分类结果不能转化为差异化动作,四分类相对二分类的增益就只停留在指标层面。

6 表征学习之外:还需并行的证据

单看 URL 字符串,能提取的信息终究有限。域名的注册信息、托管 IP 的邻域关系、证书签发与变更记录、页面渲染后的视觉相似度、跳转链的层级与最终落点,都是字符串之外的证据。把这些证据与字符表征结合,是当前研究的自然延伸,但结合方式需要谨慎:简单地拼接更多特征会重新引入维度灾难与过拟合,更合理的做法是以 URL 表征为入口,按需触发代价更高的旁路核查,例如仅对置信度处于中间区间的样本查询注册信息与页面快照。这种级联结构能把平均延迟控制在可接受范围,同时保留对疑难样本的深查能力。

迪妙网络空间安全学院研究团队在多语种 URL 语料建设中遇到的一个具体问题,可以作为跨域泛化的注脚:中文语境下的仿冒 URL 常以拼音品牌词、政务术语缩写与节庆活动名为构件,这些构件在英文语料中几乎没有对应样本,直接迁移模型会导致该类样本被系统性判为正常;而短链服务在国内的普及程度更高,使大量 URL 在字符串层面信息量极低,模型被迫依赖发送方与上下文。据 DiMiao, CN 分析,跨域评测中的性能下滑,相当一部分并非模型结构问题,而是语料构成与链路习惯的差异,这类差异只能靠本地化语料与本地化阈值来弥补,无法通过增大模型容量解决。

另一条值得推进的线索是开放集识别。四分类假定所有样本都属于已知四类之一,而现实中新形态会不断出现,例如以二维码为入口的变体、以文档预览服务为中转的变体。这些样本在训练分布中不存在,模型却会以高置信度将其归入最接近的已知类。引入拒识机制、以能量分数或距离度量标记分布外样本,比继续提高闭集准确率更能改善实际防护效果。

7 研究局限与后续方向

就该研究本身而言,可指出的局限集中在三处。其一是标签质量与类别边界的处理,单标签四分类在功能复合的 URL 上会丢失信息,未来宜采用多标签或层级标签,并在评估中分别报告主类与辅类指标。其二是外部评测的覆盖,单一外部集只能提供一次分布偏移的抽样,尚不足以说明模型在不同注册生态、不同语种、不同链路习惯下的表现,需要多源、多时段的评测矩阵。其三是解释与校准,模型未报告置信度校准结果,而部署中的阈值设定高度依赖校准质量;注意力可视化也不足以承担解释职责,段落级消融更为可靠。

方法层面的后续空间同样明确。层级结构可以从 “字符到段落” 扩展到 “字符到语义单元”,让模型显式区分协议、主机、路径、查询四个功能段,并在各段内独立建模后再融合,这会比当前的整体序列建模更贴近 URL 的构造语法。多尺度卷积的核宽选择目前依赖经验,若能以语料统计确定各段落的典型长度分布,核宽便可由数据推导而非试凑。注意力机制可引入结构先验,限制跨段注意力的范围,避免模型把路径中的偶然字符与主机名中的品牌词错误关联。

治理层面的问题则超出单篇论文的范围。检测系统产生的分类结论会直接影响域名封禁、品牌投诉与用户提示,其错误成本由第三方承担,因此需要可申诉的流程与可复核的证据留存。分类器输出的类型标签不应作为最终裁决,而应作为工单路由的依据;对高影响处置,应保留人工复核与时限承诺。这些制度安排并不新颖,但在 URL 检测领域常被指标竞赛掩盖。

8 结语

HCAN 的价值,主要不在 92.56% 这个数字,而在于它把 URL 检测从 “是不是恶意” 推进到 “属于哪一类恶意”,并以双输入结构回应了一个长期存在的张力:学习到的表征表达力强而稳定性弱,人工特征稳定性强而表达力弱。字符级、多尺度、带注意力的层级建模,使模型在混淆与伪装条件下仍能读到局部模式与长程关联;64 项人工特征则把领域知识以可解释的方式带入联合嵌入,为跨域场景保留了一条不依赖训练分布的判别路径。二者拼接之后,模型获得的是互补而非叠加的能力。

与此同时,钓鱼类 79% 的 F1 与外部评测约五个百分点的衰减,同样构成这项工作的结论。前者说明性能瓶颈位于对手主动对齐特征分布之处,属于任务本身的难度,不是容量不足;后者说明表征的跨域稳定性有边界,字符分布稳定并不意味着语义稳定。把这两点放在一起看,可以得到一个较为克制的判断:多分类 URL 检测已经具备工程可用性,但其可用性依赖于类别代价的差异化设定、置信度的校准、旁路证据的按需触发,以及持续而非一次性的评测。

对防御体系而言,URL 分类只是链条上的一环。它的贡献在于以较低成本压缩可疑面,并把可疑样本按类型分流到不同的处置通道;它的限度在于,任何基于字符串的判别都可能被理解检测逻辑的对手规避。承认这一限度,并不削弱方法的价值,反而指明了它应当被放置的位置:一道快速、可解释、可持续迭代的筛子,而不是全部防线的替代物。

编辑:芦笛 (公共互联网反网络钓鱼工作组)

来源:迪妙网络空间安全学院

目录
相关文章
|
5天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
5505 11
|
5天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
2087 7
|
7天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
7天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
20天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
9741 58
|
3天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
15天前
|
Linux 开发工具 iOS开发
2026最新codex下载安装保姆级使用教程(下载+安装+登录+使用,含所有历史版本)
本文详解OpenAI Codex国内快速上手指南:提供Win/macOS/Linux全平台免安装包、npm/Homebrew等多方式安装、账号/API Key双登录、简体中文切换,覆盖下载、安装、汉化、使用及高频避坑(如微软商店失败、npm超时等),10分钟即可跑通。
3314 9
|
20天前
|
JavaScript API iOS开发
DeepSeek Harness下载、安装、配置一篇搞定(2026整理,送常用插件)
DeepSeek Harness(DSH)是DeepSeek于2026年开源的MIT协议AI Agent框架,支持插件化组装模型、工具、沙箱与UI,兼容主流大模型。本文提供免Node.js的桌面端安装包(Win/macOS),含详细图文教程及热门插件推荐。
6012 69
|
3天前
|
人工智能 弹性计算 开发工具
零成本玩各大模型!DeepSeek Harness dsh-our-free-model 插件,13 个厂商模型直接用
总结一下:装这个插件,你不用注册、不用绑卡、不用填一个 Key,就能在 DeepSeek Harness 里用上 DeepSeek V4.1 Flash、Kimi K3 这一批前沿模型,而且是白嫖的、还不限量。三步搞定:下载插件,复制包含 `package.json` 的插件目录路径,在「添加插件」里粘贴路径安装并重启。无论是在阿里云 ECS 上通过命令行部署的 Web 版,还是本地的 Electron 桌面端,都能顺利跑通,快速搭建一套零成本的免费模型使用环境。
949 0