A Survey of Deep Learning Theory and Geometry Methods |深度学习理论与几何方法综述

简介: 深度学习理论与几何领域的兴起源于对神经网络“黑盒”特性的理论反思,其核心价值在于超越经典统计学习理论在过参数化模型中泛化界过松的局限。早期研究依赖VC维等统计工具,但在深度网络高效泛化现象面前显得力不从心,无法解释模型为何能在记忆随机标签的同时泛化真实数据。2018-2020年间,神经正切核(NeuralTangentKernel,NTK)和神经坍缩(NeuralCollapse)等概念的提出标志着范式转变,研究重心从静态函数逼近转向训练动力学与表示几何的演化。

综述原文见 www.arxivreview.com

导读

深度学习理论与几何领域的兴起源于对神经网络“黑盒”特性的理论反思,其核心价值在于超越经典统计学习理论在过参数化模型中泛化界过松的局限。早期研究依赖VC维等统计工具,但在深度网络高效泛化现象面前显得力不从心,无法解释模型为何能在记忆随机标签的同时泛化真实数据。2018-2020年间,神经正切核(Neural Tangent Kernel, NTK)和神经坍缩(Neural Collapse)等概念的提出标志着范式转变,研究重心从静态函数逼近转向训练动力学与表示几何的演化。当Grokking等延迟泛化现象暴露出静态分析的不足后,研究者引入黎曼几何、拓扑数据分析及Finsler几何,用更精细的数学工具量化层间表示的曲率变化与拓扑重组。各路线在数学严格性、计算可行性与应用广度之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从统计复杂度到几何结构的因果演进链条,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

深度学习理论的核心困境在于经典统计学习理论在过参数化模型中的失效。传统方法依赖VC维或Rademacher复杂度来界定泛化误差,但这些界在深度网络参数远大于样本量时变得极其松散,无法解释为何深度网络在记忆训练数据的同时仍能高效泛化。这一矛盾促使研究者将目光从单纯的函数逼近能力转向训练过程中的隐式偏差与几何结构演化。问题的形式化可表述为:给定一个深度网络 $f_\theta$ 及其损失函数 $\mathcal{L}$,研究其在优化轨迹 $\theta(t)$ 上表示空间几何性质(如曲率、秩、拓扑不变量)的演化规律,并建立其与泛化性能的定量关系。

这一核心问题衍生出多个相互依赖的子问题。流形假设(Manifold Hypothesis)是理解表示几何的基础,它假设高维数据集中在低维流形附近,学习即寻找其参数化。表示几何的演化规律决定了优化景观的曲率特性,而优化景观的结构又反过来影响泛化机制,如Grokking等延迟泛化现象。不解决层间几何演化的度量问题,就无法准确刻画优化动力学,进而无法解释泛化。这种从数据流形到表示几何再到优化景观的依赖链条,构成了该领域的认知骨架。

范式边界在此过程中逐渐清晰。统计学习理论关注的是函数类的复杂度与样本复杂度,而几何理论关注的是优化轨迹在参数空间与数据空间中的几何形态。前者提供的是“能学到什么”的静态保证,后者提供的是“如何学到”的动态解释。两者并非互斥,而是互补:几何理论解释了统计理论无法涵盖的隐式偏差现象,而统计理论为几何分析提供了泛化界的理论支撑。当前,领域高度活跃,重点在于建立统一的数学框架来量化深度带来的表达效率与泛化优势。

约束演化史揭示了方法如何因应约束变化而演变。2016-2018年间,Deep Linear Network (DLN) 和 NTK 奠定了优化景观与核方法的基础,假设网络宽度无限或结构线性,以换取数学上的可处理性。2020年前后,跨域基准与Grokking现象的出现暴露出线性化近似的局限,促使研究者转向非线性几何工具。2021-2023年,Rank Collapse 与 Hessian 谱分叉分析揭示了深度带来的几何挑战,残差连接和归一化层被重新理解为维持几何稳定性的关键约束。2024-2026年,领域进入细化与融合阶段,Finsler几何、范畴论及微分方程框架被引入,试图建立统一的数学基础。

这一演进过程反映了从描述性几何向控制性几何的转变。早期工作主要观察和描述几何现象,如神经坍缩中的等角紧框架结构。近期工作则探索如何通过几何正则化主动控制这些现象,如通过几何维度正则化加速Grokking。这种转变不仅提升了理论的实用性,也加深了对深度网络内部机制的理解。当前形态下,领域已形成六大主要路线:流形与几何逼近、表示几何与拓扑、优化景观几何、核方法与动力学、架构几何与复杂性、理论框架与统计。

如果用一个核心问题概括该领域,那便是:如何建立统一的几何与拓扑框架,以量化深度架构在训练动力学中如何重塑数据流形结构,从而解释并控制其泛化优势与隐式偏差。

2. 方法体系

  • 2017:Deep Linear Network (DLN)——由 Arora, Cohen 和 Hazan 提出的现象学模型,奠定优化景观几何基线

  • 2018:Neural Tangent Kernel (NTK)——由 Jacot 等人提出,连接深度学习与核方法

  • 2019:Neural Collapse (NC)——由 Papyan 等人识别,揭示深度分类器表示的几何收敛性

  • 2020:Grokking——由 Power 等人发现,延迟泛化现象成为研究焦点

  • 2021:Rank Collapse——由 Dong 等人提出,揭示 Transformer 架构中的秩衰减问题

  • 2023:Hessian Spectral Bifurcation——分析深度对损失景观曲率的影响

  • 2025:Geometric Layer-wise Approximation Rates——建立层间几何逼近率理论

  • 2026:Mathematical Foundations of Deep Learning——构建深度学习统一数学基础

这条时间线勾勒了该领域方法演进的代表性节点:从 2017 年的 Deep Linear Network (DLN) 奠定该领域方法基线,经 2018 年 Neural Tangent Kernel (NTK) 的推进,到 2026 年的 Mathematical Foundations of Deep Learning 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 核方法与动力学

核方法与动力学路线起源于对过参数化网络训练动力学的线性化近似。2018年,Jacot et al. 提出的 NTK 将宽网络的训练动态近似为核方法,揭示了无限宽极限下的线性化行为,成为连接深度学习与统计学习理论的重要桥梁。这一路线的核心假设是网络宽度足够大,使得特征学习可以忽略,从而获得严格的收敛性证明。其代价是忽略了有限宽度下的非线性动态,无法解释特征学习机制。

近期工作在这一基础上引入了深度视角。P10 通过增加深度而非宽度诱导 NTK 核,推导其最小特征值下界和最大奇异值上界,证明训练不变性。该工作解决了 P1 在宽度诱导 NTK 中深度作用不明的问题,揭示了深度在过参数化网络中的独特作用。其本质差异在于从宽度极限转向深度极限,假设条件从无限宽变为捷径连接架构。成功依赖于分离常数假设,限制了在任意架构上的直接应用。

微分方程视角进一步深化了这一路线。P20 将深度网络解释为连续时间动力系统的数值近似,通过 ODE、CDE 和 SDE 分析训练动力学和特征学习。该工作解决了离散层分析难以捕捉连续动态的问题,提供了连续极限视角下的理论框架。其代价是连续化假设可能忽略离散层特性,且依赖光滑性假设。P5 则在密集非局部框架中用非线性积分方程建模深度层极限的 DNN,将学习问题表述为最优控制问题,通过 Γ-收敛建立离散到连续的收敛性。这些工作共同构成了核方法与动力学路线的理论基础,为理解特征学习提供了数学工具。

2.2 优化景观几何

优化景观几何路线关注损失函数在高维参数空间中的几何结构,特别是曲率、鞍点及极小值特性。2017年,Arora, Cohen 和 Hazan 提出的 DLN 模型将深度线性网络视为高维参数空间到低维观测空间的映射,通过黎曼几何和辛几何描述训练动力学,为理解过参数化网络的优化行为提供了基础框架。

Hessian 谱分析是该路线的核心工具。P17 分析深度线性网络 Hessian 谱在训练过程中的分叉现象,揭示深度对损失景观曲率的影响。该工作解决了纯实证观察缺乏理论解释的问题,通过矩阵微积分推导 Hessian 谱的解析表达式。其代价是分析限于线性网络,且依赖数据白化假设。P9 通过层间 Hessian 矩阵分析神经网络的局部性质,提供了层间曲率分析工具,克服了全局 Hessian 计算开销大的局限。P38 则精确表征神经网络 Hessian 谱对数据的依赖关系,利用标准深度学习理论假设推导谱的完整结构,为优化算法设计提供了数据感知视角。

相变分析揭示了景观的层级结构。P13 通过相变分析揭示深度网络损失景观的层级结构,研究 L2 正则化如何改变景观几何并创建局部极小值。该工作提供了相变视角下的景观分析,克服了静态景观分析的局限。P41 使用双曲几何(Poincaré 球模型)表示训练动力学,分析 DNN 加权拓扑在训练过程中的重组,将双曲流形引入训练动力学分析,为理解网络结构自组织提供了新的几何工具。这些工作共同构成了优化景观几何路线的理论体系,为设计高效优化算法提供了理论依据。

2.3 流形与几何逼近

流形与几何逼近路线研究深度网络在流形上的逼近理论,揭示深度与内在维度的关系。2022年,多项工作验证了高维数据集中在低维流形附近的假设,该假设成为理解生成模型和表示学习的基础。这一路线的核心假设是数据流形具有有界几何条件,确保了局部图表的一致存在性。

P2 在紧致连通完备黎曼流形上建立深度网络的逼近理论,利用有界几何假设下的局部图表和光滑单位分解定义 Sobolev 空间。核心创新在于同时逼近流形上的多个函数,揭示深度网络在几何约束下的表达能力。该工作在流形逼近理论中填补了同时逼近的空白,为深度网络在几何数据上的应用提供了定量保证。其代价是假设条件较为严格,限制了在任意流形上的直接应用。

P23 建立深度网络在层间的几何逼近率理论,量化深度、宽度和目标函数正则性对逼近效率的影响。该工作克服了现有理论仅关注最终输出的局限,提供了层间几何尺度的定量描述。P19 引入目标空间上的距离 $d_F$ 作为组合接近度度量,利用 Banach Finsler 几何框架研究一般控制族的逼近复杂度,提供了与组合兼容的复杂度度量,解决了深度网络逼近理论中复杂度定义的核心问题。P31 构建密集流形框架以准确估计数据流形的几何属性,如曲率、切空间和 reach,用于评估现有流形拟合界限。P11 利用拓扑度理论研究深度网络的降维和宽度问题,分析高维数据中复杂拓扑结构对降维的影响。这些工作共同构成了流形与几何逼近路线的理论基础,为理解深度优势提供了几何基础。

2.4 表示几何与拓扑

表示几何与拓扑路线利用微分几何、拓扑不变量及流形结构分析神经网络的表示空间、特征演化及泛化机制。2019年,Papyan et al. 识别的神经坍缩现象描述了深度分类器在训练终端阶段特征表示和权重收敛到等角紧框架结构,揭示了深度网络训练中的隐式偏差。

P4 采用几何视角分析深度网络特征表示的演化,将特征空间视为离散流形,通过离散 Ricci 流描述层间几何变化。该工作解决了静态几何分析无法捕捉动态演化的问题,提供了动态几何演化模型。其代价是离散 Ricci 流计算开销较大,且依赖特征空间的离散化质量。P26 应用持续同调分析 Grokking 过程中神经表示的多尺度拓扑结构,揭示泛化转变时的拓扑相变。该工作提供了多尺度拓扑分析工具,克服了傅里叶分析和几何统计的局限。P37 引入几何维度正则化(GeomDR)框架,直接修改隐藏表示的有效维度以控制 Grokking 动力学,提供了主动控制表示几何的方法。

P16 直接测量几何代理变量(如曲率、切空间)来研究表示几何与泛化的关系,避免互信息估计困难。P18 利用决策边界体积作为几何量分析深度网络的泛化和鲁棒性,结合 Morse 理论和持久同调捕捉决策边界拓扑。P34 应用低维拓扑不变量(如 Hopf 链、Gauss 积分)分析深度网络的拓扑表达能力,揭示宽度约束下不同架构的拓扑变换能力。P32 联合分析表示的几何压缩和信息压缩,揭示两者与泛化的关系。P27 提出传播场概念,分析深度网络内部信息传播的几何结构,揭示端点监督无法唯一确定内部传播场。这些工作共同构成了表示几何与拓扑路线的理论体系,为理解泛化机制提供了新视角。

2.5 架构几何与复杂性

架构几何与复杂性路线探讨网络架构的几何结构、函数空间复杂性、对齐现象及高阶张量运算对表达能力的影响。2021年,Dong et al. 提出的 Rank Collapse 理论分析指出纯自注意力层在深度增加时秩呈双重指数衰减,限制了表示能力,促使后续研究引入几何修正机制。

P14 提出流形几何 Transformer(MGT)块,通过 mHC 投影约束更新到切空间,使用 DDL 门控制更新幅度,解决秩崩溃和残差积累问题。该工作解决了纯自注意力秩崩溃的问题,提供了几何修正的 Transformer 架构。其代价是几何修正计算开销增加,且依赖流形结构假设。P28 利用旗流形几何框架统一分析深度网络中的对齐现象,包括权重矩阵子空间方向兼容性和注意力头冗余性,提供了统一几何框架,克服了碎片化解释的局限。

P35 建立深度全连接网络的统一函数空间框架,研究深度与函数复杂性的关系,定义深度 L 范数作为原子/规范范数。P25 提出基于层级组合复形的架构复杂性框架,显式建模张量操作结构,分析架构复杂性并系统构造新架构。P40 引入高阶结构(n 元交互)到深度学习分析,超越二元张量操作,理解训练动力学和表示能力。P30 通过子空间追求公理化神经网络,建立稀疏编码和信号分析在神经网络中的数学基础。这些工作共同构成了架构几何与复杂性路线的理论基础,为架构设计提供了理论指导。

2.6 理论框架与统计

理论框架与统计路线构建深度学习统一数学基础,涵盖通用逼近、统计一致性、相变现象及可解释性理论框架。2019年,神经坍缩现象的识别为理解表示几何和泛化机制提供了关键视角,成为该路线的重要起点。

P12 提出通用模块化框架证明神经网络通用逼近性质,定义通用逼近模块(UAM),证明由 UAM 组成的深度网络固有保持通用逼近性。该工作提供了统一证明框架,克服了模型特定证明的冗余。P15 研究随机层级模型(RHM)的可证明学习,建立从浅到深链式学习的理论,揭示深度网络利用层级结构的优势。P21 构建深度学习统一数学基础,涵盖函数逼近、网络架构设计和训练准则,系统化理论框架。

P24 提出深度学习科学理论展望,论证存在统一科学框架解释深度学习成功,分析跨架构和跨模态普遍性。P33 研究亚线性结构深度网络在组合函数上的特征学习一致性,揭示良性过拟合和特征学习机制。P22 提出深度神经回归崩溃(NRC)条件,扩展神经崩溃到回归问题,揭示深度回归器所有层的表示和权重收敛结构。P6 利用范畴论分析学习动力学,定义参数范畴、表示范畴和学习函子,研究同伦和通用性质。P3 将深度学习视为 o-极小结构中驯服对象的构造,利用可定义性保证组合性,分析非光滑非凸优化。这些工作共同构成了理论框架与统计路线的理论体系,为领域理论提供了基础。

3. 关键共识、分歧与开放问题

3.1 领域共识

深度网络的成功不仅源于函数逼近能力,更源于其隐式偏置引导模型收敛到具有良好几何结构的解,这一共识在多个基准上被反复验证。P16 在 52 个 ImageNet 预训练模型和 11 个从头训练模型上的实证分析显示,几何代理变量(如曲率、切空间)与泛化性能存在稳定关联,支持隐式偏差导致几何结构优化的观点。P22 提出的深度神经回归崩溃条件进一步揭示了深度回归器所有层的表示和权重收敛结构,表明几何收敛是深度学习的普遍现象而非特定任务的特例。

与此相关的另一个共识是高维数据确实遵循流形假设,且深度网络通过逐层非线性变换逐步将数据投影到更简单的低维几何结构上。P31 构建的密集流形框架提供了可验证的几何量估计方法,支持了流形假设在真实数据中的有效性。P4 的离散 Ricci 流分析揭示了特征表示在训练过程中的几何平滑化机制,进一步证实了层间几何演化的系统性。这些共识的边界在于,几何结构是泛化的原因还是结果尚未完全确立,现有证据偏向相关性而非因果性。

3.2 观点分歧

几何结构是泛化的原因还是伴随现象,是当前领域最根本的分歧。观点 A 认为几何结构(如低秩、低曲率)是泛化的原因,隐式偏差引导模型收敛到这些结构,从而提升泛化,代表工作包括 P22 的神经崩溃分析和 P17 的 Hessian 谱分叉研究。观点 B 认为几何结构是泛化的伴随现象,泛化源于数据分布的内在结构,几何只是其映射,代表工作包括 P32 的几何-信息联合分析,强调互信息压缩的核心作用。现有证据偏向观点 A,多项实验显示几何指标与泛化性能正相关,且几何正则化能改善泛化,但证据强度中等,因为相关性不等于因果性,且存在混杂因素如数据难度、模型容量。

这一分歧的背后,是另一个更根本的争论:低维拓扑不变量能否作为架构表达力的通用度量。观点 A 认为低维拓扑(如链接数、持续同调)能严格界定架构的表达边界,代表工作包括 P34 的 Hopf Link 分析和 P26 的 Grokking 拓扑签名研究。观点 B 认为拓扑不变量仅适用于特定任务或数据分布,无法作为通用度量,代表工作包括 P35 的深度神经变分空间,强调函数空间范数的通用性。现有证据偏向观点 B,拓扑分析在 Hopf Link 等合成任务上有效,但在 ImageNet 等真实数据上计算困难且结果不稳定。分歧根源在于高维拓扑计算复杂度呈指数增长,缺乏高效近似算法,且真实数据的拓扑结构难以验证。

3.3 其他开放问题

最紧迫的工程问题是如何高效计算高维几何量。全 Hessian 矩阵计算成本极高,持续同调和离散 Ricci 流的计算复杂度随数据规模增长,限制了这些方法在大规模模型上的应用。关键困难在于缺乏近似算法和并行化策略,研究路径是开发基于随机矩阵理论和稀疏化技术的近似计算方法,如 P9 的层间 Hessian 高效计算算法。

最根本的研究问题是建立表示几何与信息论压缩之间的直接因果机制。当前观察到的相关性存在混杂因素且方向不稳定,缺乏控制变量实验来隔离几何结构的影响。关键困难在于几何指标的计算成本高,难以在大规模模型上进行因果干预实验,且信息论与几何论的度量框架尚未统一。研究路径是开发无监督的几何-信息联合度量框架,如 P32 的条件熵瓶颈模型,并探索更一般的噪声模型下的压缩机制。

已知—争议—未知的认知图谱显示,领域在隐式偏差导致几何结构优化上达成共识,但在几何因果性、拓扑通用性、深度优势来源上存在根本分歧。未来发展趋势是从描述性几何迈向控制性几何,建立统一的几何-拓扑-动力学框架,以实现对深度网络行为的预测与控制。

4. 总结与展望

深度学习理论与几何领域的核心矛盾在于经典统计学习理论在过参数化模型中的失效与深度网络高效泛化现象之间的张力。研究者尝试了从 NTK 线性化近似到非线性几何工具(Ricci 流、持续同调、Finsler 几何)的多条路线,每条路线在数学严格性、计算可行性与应用广度之间做出了不同取舍。核心瓶颈在于缺乏统一的几何与拓扑框架,以量化深度架构在训练动力学中如何重塑数据流形结构,从而解释并控制其泛化优势与隐式偏差。

未来可能突破的方向包括:建立表示几何与信息论压缩之间的直接因果机制,P32 和 P16 的工作共同指向这一方向,需开发无监督的几何-信息联合度量框架;研究深度网络中高阶拓扑不变量在特征学习中的作用,P34 和 P26 的工作共同指向这一方向,需结合低维拓扑与几何拓扑工具进行机制分析;开发基于微分方程框架的统一理论以解释深度网络的稳定性、表达力及优化动力学,P20 和 P5 的工作共同指向这一方向,需利用 Γ-收敛工具连接离散与连续时间模型。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,设计控制变量实验以隔离几何结构对泛化的因果效应,从而为几何-泛化关系提供决定性证据。

以上为节选,完整内容见ArxivReview

目录
相关文章
|
8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”。
9060 24
|
8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!
2693 13
|
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)
1284 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
|
6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)
11103 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。
943 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。
1313 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。