A Survey of LiDAR 3D Object Detection |LiDAR 3D 目标检测综述

简介: LiDAR3D目标检测旨在从稀疏无序的点云中提取物体几何与语义信息,其核心价值在于解决自动驾驶对高精度空间感知的刚性需求与传感器数据固有缺陷之间的张力。早期研究聚焦于点云无序性处理,通过体素化或柱状化将三维数据映射至规则网格,利用卷积网络提取特征,思路清晰却受制于计算复杂度与远场信息丢失。当跨域基准与恶劣天气场景暴露出单一模态的鲁棒性瓶颈后,研究重心转向多模态融合、轻量化部署及对抗安全,用系统级冗余换取环境适应性。各路线在精度、效率、鲁棒性与泛化能力之间做出了不同取舍,由此形成当前架构创新与系统工程并存的多元格局。本综述梳理这条从几何表征到系统可靠的因果演进链条,为读者提供一张领域认知地图。

综述原文见 www.arxivreview.com

导读

LiDAR 3D 目标检测旨在从稀疏无序的点云中提取物体几何与语义信息,其核心价值在于解决自动驾驶对高精度空间感知的刚性需求与传感器数据固有缺陷之间的张力。早期研究聚焦于点云无序性处理,通过体素化或柱状化将三维数据映射至规则网格,利用卷积网络提取特征,思路清晰却受制于计算复杂度与远场信息丢失。当跨域基准与恶劣天气场景暴露出单一模态的鲁棒性瓶颈后,研究重心转向多模态融合、轻量化部署及对抗安全,用系统级冗余换取环境适应性。各路线在精度、效率、鲁棒性与泛化能力之间做出了不同取舍,由此形成当前架构创新与系统工程并存的多元格局。本综述梳理这条从几何表征到系统可靠的因果演进链条,为读者提供一张领域认知地图。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作。

1. 研究背景、问题结构与演进脉络

LiDAR 3D 目标检测的兴起源于自动驾驶对全天候、高精度环境感知的迫切需求。与相机不同,LiDAR 直接提供精确的深度和空间信息,其可靠性在光照变化下优于视觉传感器,这使其成为感知系统的核心支柱。然而,LiDAR 点云具有稀疏性、非均匀性和无序性,这些物理特性直接决定了算法设计的复杂性。早期研究受限于计算资源,主要依赖基于点云或体素的架构,如 PointNet 和 VoxelNet,但面临高计算复杂度和稀疏数据处理的挑战。核心问题被形式化为:给定无序点云集合 $P = {pi}{i=1}^N$,其中 $p_i = (x_i, y_i, z_i)$,预测一组边界框 $B = {bj}{j=1}^M$,每个 $b_j$ 包含中心坐标、尺寸、朝向及类别标签,最小化预测与真值之间的几何误差。

问题定义经历了从“几何表征”到“系统鲁棒性”的深刻转变。2019 年 PointPillars 的提出是一个关键转折,它将 3D 点云投影为 2D 伪图像,利用成熟的 2D CNN 处理,显著降低了计算成本,确立了基于网格(Grid-based)的主流范式。随后,CenterPoint 等中心点检测器简化了回归任务,进一步提升了效率。2020~2026 年间,领域重心从单纯追求精度转向“精度-效率-鲁棒性”的平衡。研究热点集中在轻量化部署(如边缘计算、量化)、多模态融合(LiDAR-Camera-Radar)以应对恶劣天气,以及解决长尾分布和域适应问题。当前,Transformer 架构和自监督学习正逐步渗透,旨在捕捉长程依赖并减少对密集标注的依赖,领域处于从“感知可用”向“感知可靠且高效”过渡的活跃阶段。

子问题之间存在复杂的依赖与并列关系。“点云稀疏性处理”是基础依赖,不解决此问题无法进行后续的特征提取;“轻量化部署”与“鲁棒性/安全性”是并列的工程与研究约束,二者共同决定了模型从实验室走向真实世界的可行性。例如,轻量化部署依赖于架构的模块化设计,而鲁棒性增强(如多模态融合)往往增加计算负载,与轻量化形成张力。这种多维约束使得单一维度的优化往往以牺牲其他维度为代价,构成了当前方法体系的核心矛盾。

约束演化史清晰地展示了方法如何因应约束变化而演变。2016-2018 年,VoxelNet 等奠基工作解决了点云无序性问题,但计算开销较大,难以实时部署。2019 年,PointPillars 通过垂直压缩确立了实时检测基线,解决了算力瓶颈,但引入了量化误差。2020 年,跨域基准的出现促使研究者关注域偏移问题,CenterPoint 简化回归任务以提升长尾类别性能。2021 年,预训练与视觉语言模型(VLM)开始引入,用更强的先验换取跨域鲁棒性。2023-2025 年,细化与融合成为主流,Transformer 和自回归生成范式兴起,旨在捕捉长程依赖并简化后处理。当前形态呈现出架构多样化与部署系统化的特征,核心问题是如何在保持高精度的同时,通过量化、蒸馏或新计算范式实现边缘侧的能效最优。

如果用一个核心问题概括该领域,那便是:如何在算力受限、数据分布偏移及对抗干扰的真实物理环境中,构建具备长程依赖建模能力且能效最优的 LiDAR 3D 感知系统。

2. 方法体系

  • 2018:VoxelNet——奠定基于体素的3D检测基础

  • 2019:PointPillars——确立实时检测的主流基线

  • 2020:CenterPoint——提出基于中心的无锚框检测范式

  • 2021:PV-RCNN——混合架构的代表作

  • 2025:AutoReg3D——将3D检测重构为自回归序列生成任务

  • 2026:PillarDETR——结合YOLOv8骨干与RT-DETR解码器的实时检测架构

  • 2026:Neuromorphic LiDAR Detection——采用脉冲神经网络实现能效优化

这条时间线勾勒了该领域方法演进的代表性节点:从 2018 年的 VoxelNet 奠定该领域方法基线,经 2019 年 PointPillars 的推进,到 2026 年的 PillarDETR 代表当前前沿。各节点对应的技术路线、取舍与关联,详见后续小节。

2.1 检测架构创新

检测架构的演进核心在于特征提取与回归策略的优化。早期方法如 VoxelNet 利用 3D 卷积提取空间特征,解决了点云无序性问题,但计算开销较大。PointPillars 通过垂直柱状编码策略,将 3D 点云压缩为 2D 伪图像,显著降低计算复杂度,成为实时检测的主流基线。CenterPoint 进一步提出基于中心的无锚框检测范式,直接预测物体中心点及尺寸,简化了后处理流程并提升了长尾类别检测性能,成为后续许多 SOTA 方法的骨干架构。PV-RCNN 融合点级与体素级特征,通过关键点对齐机制增强局部几何感知,在保持高效推理的同时显著提升了复杂场景下的检测精度,是混合架构的代表作。

当前架构创新正转向 Transformer、Mamba 及自回归等新范式。AutoReg3D(Huang et al., 2026, P16)将 3D 检测重构为自回归序列生成任务,统一使用交叉熵损失预测边界框属性,消除了 NMS 等后处理步骤,简化了检测流程并提升了可解释性。该方法放弃了回归式检测的速度优势,换取了流程的统一性和与 LLM 结合的潜力。PillarDETR(Kadvani et al., 2026, P19)结合 YOLOv8 骨干与 RT-DETR 解码器,利用匈牙利算法进行二分匹配,实现了实时 3D 检测,平衡了 Transformer 的高精度与 CNN 的高效性。Learned Non-Maximum Suppression(Osterburg et al., 2026, P20)提出可学习的后处理模块,通过输入嵌入、上下文特征聚合和分数精炼三个阶段,替代传统的 NMS 启发式规则,提升了拥挤场景下的检测可靠性。Corner-Aware 3D Object Detection(Meng et al., 2025, P8)重新思考边界框编码方式,提出以角点而非中心作为主要回归目标,解决了稀疏点云中中心回归不稳定的问题。GBlobs(Malić et al., 2025, P4)提出基于局部几何结构的输入表示方法,解耦了物体位置与局部形状特征,提升了模型对不同传感器放置位置的泛化能力。PTNET(ICLR 2026, P29)引入分层注意力特征对齐模块,增强提议特征的几何表达能力,弥补了传统 ROI 池化过程中丢失的空间细节。这些方法在精度与效率之间做出了不同取舍,形成了当前多元并存的架构格局。

2.2 高效轻量化部署

轻量化部署聚焦于边缘设备算力约束,通过模型压缩、量化、神经形态计算及分布式推理,实现高精度与低延迟的平衡。StripDet(Wang et al., 2025, P1)提出基于条带注意力的轻量化 3D 检测框架,核心在于设计条带注意力模块(SAM)和条带注意力块(SAB),通过限制注意力范围至局部条带区域来降低计算复杂度。该方法摒弃了传统全局注意力的高昂开销,转而利用局部几何结构的连续性进行特征聚合,从而在保持特征表达能力的同时显著减少参数数量。Mixed Precision PointPillars(Fuengfusin et al., 2026, P13)针对 PointPillars 在 TensorRT 上的部署挑战,提出混合精度量化策略,旨在解决 INT8 量化导致的精度损失问题。该方法深入分析了 PointPillars 各子模块对量化误差的敏感度差异,识别出对精度影响关键的高敏感层,通过将这些高敏感层保留为 FP16 或 FP32,而将其他低敏感层量化为 INT8,实现了精度与速度的最佳平衡。

Neuromorphic LiDAR-based BEV Detection(Mohapatra et al., 2026, P18)将脉冲神经网络(SNN)引入 LiDAR 3D 检测,旨在通过二值脉冲信号实现推理能耗的大幅降低。该方法摒弃了传统的 CNN 到 SNN 转换范式,而是采用基于代理梯度的端到端直接训练策略,使网络能够学习最优的脉冲表示。Mamba-Based Knowledge Distillation(Ninh et al., 2026, P25)针对 3D 点云检测中知识蒸馏难以捕捉长程依赖的问题,提出基于 Mamba 架构的蒸馏框架。该方法利用 Mamba 状态空间模型的高效序列建模能力,作为学生网络骨干以替代传统的 CNN,从而更好地处理稀疏点云中的长距离空间关系。Split Computing for 3D Detection(Noguchi and Azumi, 2025, P5)提出一种基于分裂计算的 3D 点云检测系统,旨在减轻边缘设备的计算负载并降低通信延迟。该方法将检测模型拆分为头部和尾部两个部分,边缘设备仅执行计算量较小的头部模块,生成中间表示后传输至边缘服务器,从而实现了计算资源的合理分配。这些方法在精度保持与计算成本之间做出了不同取舍,为边缘部署提供了多种技术路径。

2.3 鲁棒性与安全

鲁棒性与安全研究旨在揭示模型脆弱性并增强感知系统的安全可靠性。MOBA(Chaturvedi et al., 2025, P7)提出一种面向材料的后门攻击方法,旨在通过物理可实现的触发器污染 LiDAR 3D 检测模型。该方法利用双向反射分布(BRDF)建模材料反射特性,生成在物理世界中可实现的触发器,并将其注入少量训练数据中,缩小了数字-物理域差距。Mirage(Parsons and Li, 2026, P22)提出一种清洁标签后门攻击,旨在在不篡改真实标签的情况下污染 LiDAR 3D 检测模型。该方法利用 3DSSD 作为可微分代理模型,优化紧凑的点云触发器,使其能够激发检测器识别目标类别所需的局部几何线索。Open-Weather Robust 3D Detection(Li et al., 2026, P24)针对恶劣天气导致的 LiDAR 性能退化,提出基于双批评家扩散对齐的鲁棒检测方法。该方法利用 4D 雷达作为辅助模态,通过扩散模型进行去噪和对齐,抑制天气噪声对 LiDAR 特征的干扰。Explainability-Aware Frustum Attack(You et al., 2026, P23)提出一种基于可解释性的视锥体攻击方法,旨在揭示 LiDAR 3D 检测器的结构脆弱性。该方法利用集成梯度生成输入点的显著性图,识别对检测决策贡献最大的关键点,并针对这些关键点所在的视锥体区域进行扰动。OBJVanish(Li et al., 2025, P2)提出一种基于文本到 3D 生成的物理可实现对抗攻击框架,旨在生成对 LiDAR 不可见的物体。该方法通过优化动词-物体-姿态(VOP)文本提示,生成能够规避 LiDAR 检测的 3D 物体模型,并利用物理物体池进行真实世界验证。这些研究揭示了 LiDAR 检测系统在物理层面的脆弱性,强调了在模型训练中考虑物理一致性的必要性。

2.4 数据增强与标注

数据增强与标注研究利用多模态基础模型、自监督学习及合成数据技术,解决标注成本高、长尾分布及跨域数据稀缺问题。GhostPoint(Abdelsamad et al., 2026, P26)提出一种自监督表征学习方法,通过“幻觉”被遮挡的 LiDAR 结构来解决遮挡导致的表征偏差问题。该方法扩展了自蒸馏框架,引入稀释实例邻域和预测器级蒸馏损失,鼓励模型对不可见体素进行推理。UniLiPs(Ghilotti et al., 2026, P11)提出一种统一的 LiDAR 伪标注框架,通过几何接地的动态场景分解生成高质量的 3D 伪标签。该方法融合连续 LiDAR 扫描和 2D 伪标签,构建连贯的 3D 地图,并在该几何一致性的框架内联合优化移动物体和语义标签。VERIA(Lee et al., 2026, P17)提出一种验证中心的多模态实例增强方法,旨在解决长尾 3D 物体检测中的数据不平衡问题。该方法利用现成的基础模型生成同步的 RGB-LiDAR 实例,并通过视觉-语言模型(VLM)进行验证,确保生成实例的质量和多样性。Concept-based Explainable Data Mining(Tsujimoto, 2025, P9)提出一种基于概念的可解释数据挖掘框架,利用 VLM 识别和挖掘稀有物体数据。该方法首先提取物体概念嵌入,然后利用 VLM 理解场景语义,识别出训练数据中稀缺但重要的稀有物体或异常场景。Multiple Teachers Framework(ICCV 2025, P28)提出一种多教师框架,旨在提升 3D 半监督物体检测中伪标签的质量。该方法引入多个专门化的教师模型,分别针对特定类别或特征进行伪标签生成,通过集成多个教师的预测结果,生成更准确、更鲁棒的伪标签。这些方法在数据质量与生成成本之间做出了不同取舍,为大规模 3D 数据集的构建提供了高效工具。

2.5 域适应与泛化

域适应与泛化研究针对传感器差异、地理环境变化及新场景,通过半监督、无监督域适应及跨平台迁移提升模型泛化能力。MemDistill(ICCV 2025, P32)提出一种将 LiDAR 知识蒸馏至记忆模块的方法,使纯相机模型具备 3D 检测能力。该方法构建教师-学生模型对,教师为 LiDAR 检测器,学生为相机检测器,并引入记忆模块和检索器来存储和检索 LiDAR 特征。Cross-Platform Generalization(Feng et al., 2026, P12)提出一种基于增强和伪标注的域自适应 3D 检测方法,旨在解决跨平台的泛化问题。该方法采用 PVRCNN++ 作为基础检测器,通过扇区化抖动对齐和记忆集成投票策略,处理不同平台间的几何差异和点云分布变化。Semi-Supervised Diversity-Aware Domain Adaptation(Olber et al., 2025, P10)提出一种半监督多样性感知域适应方法,旨在提升 3D 物体检测在不同地理区域间的泛化能力。该方法利用少量目标域标注数据和大量无标签数据,通过多样性感知策略选择具有代表性的样本进行伪标签生成和模型微调。Multi-Modal Assistance for UDA(Zhao et al., 2025, P6)提出一种多模态辅助的无监督域适应方法,利用图像和文本信息增强点云 3D 检测的域适应能力。该方法在自训练阶段,利用 GroundingDINO 从图像中生成 3D 边界框,并结合教师模型的点云伪标签,通过距离和重叠度筛选高质量伪标签。这些方法在标注成本与泛化性能之间做出了不同取舍,为 3D 检测系统的规模化应用提供了重要支持。

2.6 新兴场景应用

新兴场景应用研究拓展至无人机搜救、机器人操作及多任务联合感知等特定场景,构建专用数据集并解决稀疏采样与交互问题。WiSAR3D(WACV 2026, P30)构建了一个用于无人机搜救场景的空中 LiDAR 3D 物体检测数据集,填补了现有数据集在野外搜救场景中的空白。TACO(CVPR 2026, P31)提出一种任务感知对比学习框架,实现 LiDAR 定位与 3D 物体检测的联合优化。该方法利用对比学习机制,共享特征提取器以同时执行自定位和物体检测任务,通过任务感知的对比损失增强特征的多任务表达能力。PIRATR(Schwingshackl et al., 2026, P14)提出一种基于 Transformer 的参数化物体推理方法,旨在解决机器人应用中结构化物体的 6-DoF 位姿估计问题。该方法利用合成数据生成技术,在 Blender 中创建多样化的训练场景,并通过域随机化缩小仿真到现实的差距。Adaptive 3D Perception for SATs(CVPR 2026, P27)提出一种基于强化学习的自适应 3D 感知方法,专门针对稀疏采样下的小型空中目标检测。该方法利用 RL 智能体作为高层控制器,在线调整体素大小、检测阈值和关联门限,以适应目标尺寸小、距离远和采样密度变化的挑战。这些方法在通用性与场景特异性之间做出了不同取舍,为 LiDAR 3D 检测在公共安全、工业制造等领域的应用提供了技术支撑。

3. 关键共识、分歧与开放问题

3.1 领域共识

领域在“Grid-based 范式有效性”和“多模态融合必要性”上达成高度共识。基于网格(Voxel/Pillar)的方法在精度和效率之间取得了最佳平衡,优于纯点云方法,是当前主流范式(约 15 篇论文共同支持)。LiDAR 是自动驾驶感知中提供精确深度和空间信息的关键传感器,其可靠性优于相机在光照变化下的表现(约 20 篇论文共同支持)。多模态融合(特别是 LiDAR 与 Camera 或 Radar)能显著提升在恶劣天气和复杂场景下的检测鲁棒性(约 12 篇论文共同支持)。轻量化和边缘部署是实际应用的关键瓶颈,模型压缩(蒸馏、量化)和高效架构设计是研究热点(约 14 篇论文共同支持)。域适应和跨平台泛化是模型从实验室走向多样化部署的必要条件(约 10 篇论文共同支持)。长尾分布问题严重制约了模型对稀有物体的检测能力,数据增强和采样策略是主要解决手段(约 8 篇论文共同支持)。安全性评估日益重要,对抗攻击和鲁棒性分析成为验证检测器可靠性的标准环节(约 7 篇论文共同支持)。

3.2 观点分歧

Transformer 是否全面优于 CNN 用于 LiDAR 3D 检测存在显著分歧。观点 A 认为 Transformer 能捕捉长程依赖,精度更高(代表:PillarDETR, PTNET);观点 B 认为 CNN 在局部特征提取和边缘部署效率上更优(代表:StripDet, YOLOv8-based)。现有证据偏向“混合架构”。在同等 FLOPs 下,Transformer 精度略高,但延迟和内存占用显著增加。定输赢实验:在 Jetson Orin 等边缘设备上,固定 FLOPs 预算下的 mAP 对比。分歧根源在于缺乏公平的“精度-效率-能耗”三维帕累托前沿评估。

自回归生成范式是否值得其推理延迟的代价也存在争议。观点 A 认为自回归简化流程,提升可解释性,利于结合 LLM(代表:AutoReg3D);观点 B 认为回归式检测推理更快,更适合实时场景(代表:CenterPoint, PillarDETR)。证据偏向“回归式”在实时场景更优。AutoReg3D 精度有竞争力,但推理速度较慢。定输赢实验:在实时约束(<100ms)下,自回归与回归式检测的精度对比。分歧根源在于硬件加速(如专用 NPU)对自回归推理的优化尚不成熟,且 token 效率问题未解决。

物理可实现攻击(如 MOBA)是否构成真实威胁也是争论焦点。观点 A 认为物理攻击可行且隐蔽,必须重视(代表:MOBA, OBJVanish);观点 B 认为物理攻击实施成本高,实际威胁有限(代表:部分防御研究)。证据偏向“威胁真实存在”。MOBA 等研究证明了物理触发器的可行性。定输赢实验:在真实道路环境中,物理攻击对主流检测器的成功率统计。分歧根源在于缺乏大规模真实世界物理攻击的统计数据,且防御策略尚未标准化。

3.3 其他开放问题

当前领域处于“工程成熟”与“研究前沿”的交界。工程问题(如量化、蒸馏)已有成熟方案,但研究问题(如开放世界鲁棒性、物理对抗防御、跨域零样本泛化)仍缺乏理论指导。最紧迫的工程问题是边缘部署的能效优化,难点在于模型压缩与精度保持的平衡,潜在路径包括 Split Computing、知识蒸馏、混合精度量化及神经形态计算。最根本的研究问题是开放世界与恶劣天气鲁棒性,难点在于缺乏配对清洁-退化数据,潜在路径包括多模态融合(LiDAR-Radar)、扩散模型对齐及域自适应。对抗鲁棒性与安全性方面,难点在于攻击的隐蔽性和物理可实现性,潜在路径包括可解释性驱动的攻击分析、鲁棒训练策略及物理可实现的对抗样本生成。长尾分布与小目标检测方面,难点在于数据不平衡和特征稀疏,潜在路径包括多教师半监督学习、基于 VLM 的数据挖掘、实例增强及伪标签生成。跨平台与传感器布局泛化方面,难点在于几何分布差异和域偏移,潜在路径包括局部几何特征学习、跨平台数据增强及域自适应微调。自监督与无监督表示学习方面,难点在于无监督信号的有效性,潜在路径包括自蒸馏、几何接地动态场景分解及统一伪标签生成。多模态融合与知识蒸馏方面,难点在于模态对齐和特征互补,潜在路径包括记忆蒸馏、跨模态注意力融合及多模态辅助域适应。自回归与生成式检测范式方面,难点在于推理延迟和 token 效率,潜在路径包括自回归检测器、测试时扩展及空间-语言对齐。

已知—争议—未知认知图谱显示,领域在 Grid-based 范式和多模态融合上达成共识,但在 Transformer vs CNN、自回归实用性及物理攻击防御上存在争议,开放世界鲁棒性和跨域零样本泛化仍是未知领域。未来发展趋势将依赖于架构与硬件的协同设计,以及在开放、对抗环境下的鲁棒性理论创新。

4. 总结与展望

LiDAR 3D 目标检测已从单纯的算法精度竞赛演变为涵盖架构创新、系统部署与安全鲁棒性的系统工程。核心矛盾从“精度-速度”转向“精度-效率-鲁棒性-泛化”的多维平衡。早期研究聚焦于点云无序性处理,通过体素化或柱状化将三维数据映射至规则网格,利用卷积网络提取特征。当前研究重心转向解决长尾分布、恶劣天气鲁棒性、对抗安全及边缘部署能效极限。领域处于从“感知可用”向“感知可靠且高效”过渡的活跃阶段,核心问题是如何在算力受限、数据分布偏移及对抗干扰的真实物理环境中,构建具备长程依赖建模能力且能效最优的 LiDAR 3D 感知系统。

未来可能突破的方向包括:1) 边缘计算与实时部署,解决资源受限设备上高精度 3D 检测的延迟与算力瓶颈,潜在路径包括 Split Computing、知识蒸馏、混合精度量化及神经形态计算;2) 开放世界与恶劣天气鲁棒性,应对训练分布外的天气条件和传感器退化,潜在路径包括多模态融合(LiDAR-Radar)、扩散模型对齐及域自适应;3) 自回归与生成式检测范式,探索将检测建模为序列生成问题,利用 LLM/VLM 能力,潜在路径包括自回归检测器、测试时扩展及空间-语言对齐。对进入者最值得做的一件事是:在统一骨干与统一预训练条件下,构建“精度-效率-鲁棒性”三维帕累托前沿评估协议,以公平比较不同架构范式在真实物理环境中的综合性能。

以上为节选,完整内容见ArxivReview

目录
相关文章
|
7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”。
8868 23
|
7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!
2678 12
|
2天前
|
人工智能 安全 应用服务中间件
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
NGINX曝出两个高危漏洞(CVE-2026-123633和CVE-2026-123007),CVSS 9.2分,均属HTTP/2内存安全缺陷,无需认证即可远程执行代码。影响自2015年起的多个版本,静态站点亦受威胁。修复版本为开源版1.30.7/1.31.9。(239字)
1278 0
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
|
5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)
|
10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。
|
10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。
|
23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)
11058 59
|
3天前
|
人工智能 弹性计算 IDE
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)
适合团队落地代码规范,每次提交自动生成评审报告,降低人工CR工作量。同时支持自定义技能脚本,接入团队内部SDK说明文档,让Codex生成符合团队编码规范的代码。Codex三大客户端覆盖本地开发、服务器远程编码、自动化流水线场景,搭配阿里云百炼的Token Plan、Coding Plan,能够低成本搭建稳定可控的AI编码助手。新手建议先从IDE插件入手,熟悉交互逻辑,再尝试CLI版本部署在阿里云ECS,实现云上项目远程编码、批量脚本处理。只要按照步骤完成环境准备、版本选型、密钥对接、项目初始化,就可以把Codex融入日常开发流程,大幅提升代码编写、问题排查、项目重构的效率。
935 0
|
6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。
1282 1
|
9天前
|
Linux API iOS开发
【DSH】DeepSeek Harness新手保姆教程(下载+安装+配置+使用,2026最新实测)
DeepSeek Harness(dsh)是DeepSeek AI开源的智能体框架,秉持“一切皆插件”理念,支持读文件、改代码、跑命令、处理表格、联网搜索等操作。免费开源,兼容Windows/macOS/Linux,提供桌面端与网页端,可灵活安装插件扩展能力。

热门文章

最新文章