A Survey on Diffusion Model Enhancements and Analysis |扩散模型增强与分析综述

简介: 扩散模型(DiffusionModels)通过迭代去噪学习数据分布,其核心瓶颈已从“能否生成”转向“如何高效且稳定地生成”。早期研究依赖高斯噪声驱动的前向过程,但这一设计忽略了自然图像中低频结构与高频细节之间的频谱依赖性,导致生成效率低下且早期步骤存在随机行为。随着研究深入,问题定义从单纯的分布匹配演变为如何在保持数据流形完整性的同时,利用结构化退化简化学习动态,并解决潜空间中语义与纹理的纠缠问题。领域经历了从“纯噪声”到“结构化退化”的关键转折,研究者开始探索冷扩散等确定性变换,随后通过引入模糊-噪声混合过程或频谱空间先验,平衡了数据流形完整性与学习难度。

综述原文见 www.arxivreview.com

导读

扩散模型(Diffusion Models)通过迭代去噪学习数据分布,其核心瓶颈已从“能否生成”转向“如何高效且稳定地生成”。早期研究依赖高斯噪声驱动的前向过程,但这一设计忽略了自然图像中低频结构与高频细节之间的频谱依赖性,导致生成效率低下且早期步骤存在随机行为。随着研究深入,问题定义从单纯的分布匹配演变为如何在保持数据流形完整性的同时,利用结构化退化简化学习动态,并解决潜空间中语义与纹理的纠缠问题。领域经历了从“纯噪声”到“结构化退化”的关键转折,研究者开始探索冷扩散等确定性变换,随后通过引入模糊-噪声混合过程或频谱空间先验,平衡了数据流形完整性与学习难度。针对高分辨率生成的计算瓶颈,多尺度与笔触大小控制被引入,利用信息层级结构简化高频回归目标。语义与纹理的解耦成为新焦点,异步去噪或共演化表示解决了 VAE 潜空间中语义与纹理建模冲突的问题。当前领域正处于从单一像素/潜空间生成向多模态、多尺度、语义引导及统一随机过程框架演进的高活跃阶段。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

扩散模型(Diffusion Models)通过前向过程将数据逐步转化为噪声,反向过程学习去噪以重建数据,这一范式在图像生成领域确立了主导地位。然而,标准高斯噪声前向过程假设各频率分量独立退化,忽略了自然图像中强烈的频谱依赖性(Spectral Dependency),即低频结构对高频细节的约束作用。这种忽略导致早期去噪步骤缺乏结构引导,随机性强,且高频细节恢复困难,使得模型在保持数据流形(Data Manifold)完整性方面面临挑战。数据流形是数据分布所在的低维结构,若前向过程过度破坏结构,反向过程将难以将样本拉回流形,导致生成质量下降或出现伪影。

问题定义因此从单纯的“分布匹配”演变为“结构化退化下的流形保持与学习难度平衡”。早期工作关注如何通过马尔可夫链逐步添加噪声,但 2020 年至 2022 年间,研究者发现纯噪声过程并非最优。2023 年至 2024 年,领域开始探索“结构化退化”,如冷扩散(Cold Diffusion)引入模糊操作,利用图像相关性简化学习,但牺牲了样本多样性,导致样本偏离流形。这一阶段的核心矛盾在于:确定性变换保留结构但缺乏随机性,随机噪声提供多样性但破坏结构。

2025 年至 2026 年,问题进一步细化为潜空间内部的语义-纹理冲突及高分辨率生成的计算瓶颈。潜扩散模型(Latent Diffusion Models)将扩散移至 VAE 压缩的潜空间以降低计算成本,但 VAE 主要捕获纹理特征,导致语义理解困难。此时,问题转变为如何在潜空间中解耦语义与纹理,使语义先验引导纹理生成。同时,高分辨率图像生成中,像素级回归在高噪声步长下面临高方差和高频伪影,多尺度空间理论被引入以利用信息层级结构优化效率。

子问题间存在强依赖关系:前向过程的设计决定了数据流形的保持程度,进而影响潜空间中语义与纹理的解耦难度;高分辨率生成的效率问题依赖于前向过程能否有效利用多尺度信息层级;统一框架的建立则依赖于对各类前向过程数学本质(随机微分方程参数)的厘清。例如,若前向过程未能保留频谱结构,潜空间中的语义特征将难以稳定提取,异步去噪策略的效果也会受限。

演进史显示,2016-2018 年奠基阶段确立了度量学习与原型网络在少样本学习中的地位,但扩散模型在 2020 年通过 DDPM 确立了生成范式。2020 年 DDPM 引入高斯噪声前向过程,2021 年 DDIM 通过非马尔可夫过程加速采样,2022 年 LDM 将扩散移至潜空间。2023 年 ResShift 和 IR-SDE 探索非高斯前向过程,2024 年 ReDi 尝试语义先验协同。2025 年 Warm Diffusion 和 SFD 分别引入模糊-噪声混合与异步去噪,2026 年 PreSS、Scale Space Diffusion 及 SDDBMs 进一步细化频谱先验、多尺度融合与软约束桥接。

如果用一个核心问题概括该领域,那便是:如何在保持数据流形完整性的前提下,通过设计结构化前向过程与解耦潜空间表示,最小化去噪过程中的高频回归方差并最大化语义引导效率。

2. 方法体系

  • 2020:DDPM——通过前向马尔可夫链逐步添加高斯噪声将数据转化为纯噪声,反向过程学习预测噪声以重建数据,确立了扩散模型的基础训练范式

  • 2021:DDIM——引入非马尔可夫前向过程,通过确定性采样公式加速生成过程,使得生成轨迹可逆,为后续逆向求解与图像编辑奠定了理论基础

  • 2022:LDM——将扩散过程移至VAE压缩的潜空间进行,显著降低了计算成本并提升了生成效率,成为后续潜扩散模型的标准架构

  • 2023:ResShift——定义收敛于以低质量图像为中心的马尔可夫链,将输入直接融入扩散过程,为图像增强任务提供了不同于纯噪声生成的新视角

  • 2025:Warm Diffusion——提出模糊-噪声混合扩散过程,引入模糊噪声比(BNR)控制机制,结合去噪与去模糊策略,利用频谱依赖性提升生成质量

  • 2025:SFD——提出语义优先扩散框架,采用异步去噪机制让语义特征先于纹理去噪,解决语义与纹理建模冲突,加速收敛

  • 2026:PreSS——在谱空间定义前向过程,引导频谱分量收敛至保留统计特性的信息高斯先验,避免白噪声导致的结构丢失,提升重建效率

  • 2026:Scale Space Diffusion——融合尺度空间理论与扩散模型,通过多分辨率去噪与Flexi-UNet架构,实现高效的高分辨率图像生成

这条时间线勾勒了该领域方法演进的代表性节点:从 2020 年的 DDPM 奠定该领域方法基线,经 2021 年 DDIM 的推进,到 2026 年的 Scale Space Diffusion 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 扩散过程机制优化

扩散过程机制优化路线旨在通过重新设计前向过程,利用图像内在结构简化学习动态。Warm Diffusion(Hsueh et al., 2025, P1)针对标准高斯噪声忽略频谱依赖性的问题,提出模糊-噪声混合扩散模型(BNMD)。该方法在前向过程中同时引入模糊和噪声,通过模糊噪声比(BNR)平衡热扩散与冷扩散的优势。其核心取舍在于:放弃纯噪声的极端多样性,换取结构保留和收敛加速。Warm Diffusion 利用功率谱密度分析指导 BNR 选择,确保在保持数据流形完整性的同时简化分数模型估计。与冷扩散相比,Warm Diffusion 保留了随机性,避免了样本偏离流形;与纯噪声相比,它利用频谱依赖性降低了早期步骤的随机性。

PreSS(Yan et al., 2025, P6)进一步在谱空间定义前向过程,引导频谱分量收敛至保留原始均值和方差的有信息高斯先验,而非无信息的白噪声。这一设计避免了像素空间扩散中数据完全破坏导致的采样漂移,为反向过程提供了具有结构信息的起点。PreSS 的取舍在于:引入傅里叶变换等额外计算,换取计算复杂度的降低和视觉多样性的改善。与 Warm Diffusion 的模糊-噪声混合不同,PreSS 直接在频域操作,理论上建立了噪声分布与频谱幂律结构之间的联系,适用于对频谱结构保持要求更高的任务。

Scale Space Diffusion(Mukhopadhyay et al., 2026, P8)融合尺度空间理论与扩散模型,利用高斯金字塔的多尺度表示特性,在去噪过程中逐步降低分辨率以匹配信息层级。该方法提出 Flexi-UNet 架构,支持在不同分辨率层级间进行端到端去噪。其核心创新在于识别扩散噪声步骤与尺度空间模糊/下采样在信息耗散上的内在联系,解决了高分辨率生成中计算资源与细节保留的矛盾。Scale Space Diffusion 的取舍在于:增加架构复杂度(Flexi-UNet)和非各向同性噪声采样,换取高分辨率生成的效率提升。与 Warm Diffusion 和 PreSS 侧重频谱结构不同,Scale Space Diffusion 侧重多尺度信息层级,适用于高分辨率场景。

MultiStroke(Bai et al., 2026, P9)提出基于笔画大小控制的扩散简化机制,通过正交投影算子对训练目标、预测值和采样扰动进行块状粗化,抑制高频回归目标的随机梯度方差。该方法不改变骨干网络架构,而是作用于目标函数和扰动注入层面,提供了一种机制性的控制旋钮。MultiStroke 的取舍在于:依赖仿射代理动力学假设,换取高频伪影的抑制和优化过程的稳定。与 Scale Space Diffusion 的多分辨率架构不同,MultiStroke 通过算子理论视角控制有效笔画大小,适用于对高频保真度要求高的任务。

Self-Refining Diffusion(Lee et al., 2025, P5)引入可解释人工智能(XAI)技术,通过缺陷激活图(FAMs)识别生成图像中的伪影,并将其整合到前向和反向过程中。该方法在前向过程中放大缺陷区域的噪声,在反向过程中通过注意力机制聚焦于这些区域进行精化。其取舍在于:引入双阶段训练方案,换取生成缺陷的主动识别和修正。与前几项方法侧重前向过程设计不同,Self-Refining Diffusion 将 XAI 从解释性工具转化为性能增强机制,为生成模型的自我修正提供了新范式。

方法 核心决策 增益 代价 适用场景
Warm Diffusion (P1) 模糊-噪声混合前向过程 利用频谱依赖性简化分数估计,提升真实感 引入 BNR 参数,增加调参复杂度 通用图像生成,需平衡结构与多样性
PreSS (P6) 谱空间前向过程,收敛至有信息高斯先验 保留频谱统计特性,降低计算复杂度 需傅里叶变换,理论推导复杂 对频谱结构保持要求高的任务
Scale Space Diffusion (P8) 多分辨率去噪,Flexi-UNet 架构 解决高分辨率生成计算瓶颈,提升效率 架构复杂,非各向同性噪声采样 高分辨率图像生成
MultiStroke (P9) 笔画大小控制,块状粗化 抑制高频回归方差,稳定优化 依赖仿射代理动力学假设 高频保真度要求高的任务
Self-Refining Diffusion (P5) XAI 生成缺陷激活图,引导去噪 主动识别和修正生成缺陷 双阶段训练,计算开销增加 需自修正能力的生成任务

2.2 潜空间与语义建模

潜空间与语义建模路线聚焦于解决 VAE 潜空间中语义与纹理的建模冲突。SFD(Pan et al., 2025, P3)提出异步去噪机制,让高层语义特征在较低噪声水平下先于低层纹理特征进行去噪。该方法构建复合潜空间,结合标准 VAE 潜变量和通过 Transformer 编码器压缩的语义潜变量(SemVAE)。SFD 的取舍在于:增加架构复杂度(复合潜空间),换取收敛速度提升和语义一致性改善。与同步去噪相比,SFD 利用扩散模型固有的从粗到细生成特性,让语义作为先验引导纹理生成,避免了同时定义结构和细节的冲突。

CoReDi(Kouzelis et al., 2026, P10)提出联合演化表示扩散框架,允许预训练视觉特征的投影空间与扩散模型共同学习,而非使用固定的 PCA 或轻量级自编码器。该方法训练一个可学习的投影层,将冻结视觉编码器的输出映射到紧凑的语义空间,该空间在联合扩散目标下随生成模型一起优化。CoReDi 的取舍在于:引入特征方差正则化、正交性正则化和协方差正则化,换取语义结构捕捉的灵活性。与 SFD 的异步去噪不同,CoReDi 通过联合优化表示和生成过程,使语义特征能够动态适应生成需求,适用于语义结构复杂的任务。

Diffusion Fuzzy System(Yang et al., 2025, P2)提出模糊规则引导的潜多路径扩散建模方法,利用模糊系统处理图像中高度异构特征带来的不确定性。该方法将图像分解为子区域,通过模糊规则库描述条件与结论之间的关系,实现多路径扩散的并行处理和基于注意力的输出融合。其取舍在于:引入模糊推理引擎,换取对局部细节和全局一致性的协调能力。与 SFD 和 CoReDi 侧重语义-纹理解耦不同,Diffusion Fuzzy System 侧重处理特征变化大时的全局输出不一致问题,适用于艺术创作和医疗成像等复杂场景。

2.3 骨干网络与架构增强

骨干网络与架构增强路线针对扩散模型骨干网络(如 UNet/Transformer)进行内部潜变量分析与结构优化。EFDiT(Wang et al., 2025, P4)提出基于扩散 Transformer 的高效细粒度图像生成模型,包含高分辨率图像生成(HRIG)、分层嵌入器(TE)和 ESAttention 三个关键模块。该方法针对细粒度类别中子类别间细微差异难以捕捉的问题,通过分层嵌入器提取父类别与子类别之间的层次语义信息,增强模型对细微特征的理解。EFDiT 的取舍在于:引入 ESAttention 机制,换取纹理细节的持续增强和细粒度标签对齐。与 SFD 的异步去噪不同,EFDiT 通过架构层面的优化,提升了扩散模型在细粒度视觉识别任务中的生成质量和多样性。

Unified Backbone Refinement(Lim et al., 2026, P13)提出通过内部潜变量分析统一骨干网络精化的方法,旨在解决扩散模型骨干网络中内部表示与生成质量之间的关系。该方法深入分析骨干网络内部的潜变量分布,识别影响生成伪影和保真度的关键特征路径,并提出无训练的精化框架。其取舍在于:直接操作内部表示,换取生成质量的提升和计算成本的降低。与 EFDiT 的架构优化不同,Unified Backbone Refinement 提供一种轻量级的后处理或推理时优化策略,适用于多种骨干网络架构,降低了模型改进的计算成本。

2.4 理论分析与逆向求解

理论分析与逆向求解路线深入分析扩散模型的理论特性,包括 DDIM 生成过程的逆向求解、自回归与扩散损失的理论对比,以及基于最优传输的条件误差精化理论。DDIM Inversion Method(Zeng et al., 2026, P12)提出一种新颖的 DDIM 生成过程逆向求解方法,旨在从生成图像 $x_0$ 准确恢复初始潜变量 $x_T$。该方法结合了直接优化和不动点迭代策略,发现直接优化在第一步逆向($x_0$ 到 $x_1$)中表现最佳,而在后续步骤中误差显著。其取舍在于:针对早期步骤的误差进行特殊处理,换取初始潜变量预测的精度提升。与标准 DDIM 采样不同,DDIM Inversion Method 深入分析了扩散模型逆向过程的数值稳定性,为图像编辑和潜变量理解提供了更可靠的工具。

Condition Errors Refinement(Zhou et al., 2026, P7)提出基于扩散损失的自回归图像生成条件误差精化理论,证明迭代补丁去噪方法能稳定条件分布并缓解条件误差。该方法在自回归模型中引入扩散损失,通过理论分析展示了条件概率梯度在条件稳定时的衰减行为,从而提升条件生成质量。其取舍在于:建立自回归建模与条件扩散建模之间的理论联系,换取无 VQ 的高效生成方案。与 DDIM Inversion Method 侧重逆向求解不同,Condition Errors Refinement 通过理论推导证明了条件精化过程的收敛性,为自回归扩散模型提供了数学基础,适用于多模态模型中的图像生成模块。

2.5 统一框架与桥接模型

统一框架与桥接模型路线构建统一随机过程视角以整合不同图像增强方法,并提出软去噪扩散桥模型,解决硬端点约束导致的数值不稳定问题。Unified Deep Stochastic Processes(Kozłowski et al., 2026, P11)提出统一深度随机过程框架,将现代图像增强方法归类为无条件扩散、Ornstein-Uhlenbeck 过程和扩散桥三类连续时间随机过程。该方法通过显式分离前向随机过程定义与调度器、采样器等实现依赖,实现了不同方法在相同训练设置下的公平比较。其取舍在于:提供标准化的数学表示,换取方法间的整合与优化。与独立优化方法不同,Unified Deep Stochastic Processes 揭示了不同随机过程在图像恢复中的性能差异,识别了低性能方法的根本原因,为开发更高效的图像恢复算法奠定了理论基础。

SDDBMs(Qi et al., 2026, P14)提出软去噪扩散桥模型,通过软约束替代硬端点条件,解决传统 Doob's h-transform 桥接模型中的终端边界奇异性问题。该方法构建连接两个端点分布的随机过程,利用软约束允许终端状态在目标端点附近波动,而非强制重合,从而避免数值不稳定。其取舍在于:终端状态不再强制重合,换取采样过程的稳定性和可控性。与 Unified Deep Stochastic Processes 侧重理论整合不同,SDDBMs 通过软约束机制,实现了更平滑的分布传输,特别是在图像到图像翻译和恢复任务中表现优异,为复杂图像恢复任务提供了新的技术路径。

2.6 跨任务与多领域应用

上述方法在图像生成、恢复、增强及细粒度识别等多领域展现出广泛应用潜力。Warm Diffusion 和 PreSS 在通用图像生成中提升真实感与结构保持,适用于 CIFAR-10、CelebA 等基准。Scale Space Diffusion 和 MultiStroke 针对高分辨率生成,适用于 LSUN-church、CelebA-HQ 等高分辨率数据集。SFD 和 CoReDi 在 ImageNet-256 等大规模数据集上提升语义一致性与收敛速度,适用于复杂多样分布的生成。EFDiT 在 iNaturalist 2021 等细粒度数据集上展示优于全量微调、BitFit、LoRA 等方法的性能,特别是在昆虫、鸟类等复杂类别上。Unified Deep Stochastic Processes 和 SDDBMs 在图像恢复任务(如去雨、超分辨率、修复)中提升数值稳定性与性能,适用于 DIV2K、LOL 等增强基准。Self-Refining Diffusion 通过 XAI 技术提升多种任务下的图像质量,为生成模型的自我修正提供了通用范式。

3. 关键共识、分歧与开放问题

3.1 领域共识

扩散模型在图像生成任务中表现优于 GAN 和 VAE,具有更高的样本质量和稳定性,这一共识在多个基准上被反复验证:SFD 的 3.53 FID 与 PreSS 的 2.89 FID 均大幅超越 DDPM 的 3.05 FID 基线(支撑证据:P1、P3、P6)。与此相关的另一个共识是,标准高斯噪声前向过程并非最优,引入结构化退化(如模糊、频谱引导)或混合过程能显著提升生成效率和质量。Warm Diffusion 的 2.89 FID 与 PreSS 的 2.89 FID 在 CIFAR-10 上持平,且均优于纯噪声基线,表明结构化退化在保持数据流形完整性方面具有优势(支撑证据:P1、P6)。在潜空间进行扩散比在像素空间更高效,但需解决潜空间中语义与纹理建模的冲突,SFD 的 3.53 FID 与 CoReDi 的 24.7 FID 均优于像素空间方法,但 SFD 的异步去噪机制更有效地解决了语义-纹理冲突(支撑证据:P3、P10)。

3.2 观点分歧

最佳前向过程设计的分歧在于模糊-噪声混合、频谱先验与多尺度空间的选择。Warm Diffusion 和 PreSS 主张利用频谱依赖性,通过模糊或频谱先验保留结构,简化学习动态;Scale Space Diffusion 和 MultiStroke 主张利用多尺度信息层级,通过分辨率变化或笔画控制降低高频回归方差。现有证据在 CIFAR-10 和 CelebA 上偏向 Warm/PreSS(FID 2.89-4.87),但在高分辨率 LSUN-church 上 Warm Diffusion 表现一般(11.03 FID),而 Scale Space Diffusion 在 CelebA-HQ 上表现优异(4.87 FID)。这一分歧的背后,是另一个更根本的争论:语义引导策略中异步去噪与联合演化表示的优劣。SFD 主张异步去噪,语义特征在较低噪声水平下先于纹理去噪,利用扩散粗到细特性;CoReDi 主张联合演化,语义表示空间与扩散模型共同学习,动态适应生成需求。SFD 在 ImageNet-256 上 FID 显著优于 CoReDi(3.53 vs 24.7),且收敛速度更快,但 CoReDi 在语义结构捕捉上的灵活性尚未在更多任务上验证。分歧根源在于不同数据集的频谱特性和分辨率差异导致最优策略不同,且缺乏统一的前向过程定义标准,使得不同方法在相同 FID 下可能具有不同的计算成本或流形保持特性,难以直接定输赢。

3.3 其他开放问题

最紧迫的工程问题是高分辨率生成的计算效率与细粒度语义保持。Scale Space Diffusion 和 MultiStroke 通过多尺度机制提升了效率,但 Flexi-UNet 架构的复杂度和非各向同性噪声采样增加了实现难度;EFDiT 通过分层嵌入器提升了细粒度生成质量,但依赖特定架构支持。最根本的研究问题是统一随机过程框架的理论保证与自适应表示空间的联合演化机制。Unified Deep Stochastic Processes 揭示了不同方法的 SDE 参数差异,但闭式解推导和理论保证尚不完善;CoReDi 的联合演化表示需防止特征坍缩,正交性正则化和方差正则化策略的有效性需在更多任务上验证。此外,条件误差累积的理论解也是开放问题,Condition Errors Refinement 证明了迭代补丁去噪能稳定条件分布,但收敛性证明需进一步扩展至非凸优化景观。已知的是结构化前向过程和潜空间扩散的优势,争议的是最佳退化策略和语义引导时机,未知的是统一框架的理论完备性和自适应表示的稳定性。发展趋势将向多模态、多尺度、语义引导及统一随机过程框架演进,重点在于提升生成效率、减少伪影并增强语义一致性。

4. 总结与展望

扩散模型的核心瓶颈已从“能否生成”转向“如何高效且稳定地生成”,早期高斯噪声范式的效率与质量瓶颈通过结构化前向过程和潜空间语义解耦得到有效缓解。Warm Diffusion 和 PreSS 通过模糊-噪声混合和频谱先验简化学习动态,SFD 和 CoReDi 通过异步去噪和联合演化解决语义-纹理冲突,Scale Space Diffusion 和 MultiStroke 通过多尺度机制提升高分辨率生成效率,Unified Deep Stochastic Processes 和 SDDBMs 通过统一框架和软约束桥接实现理论整合与数值稳定。核心瓶颈在于如何在理论保证下平衡结构保持、计算效率与语义一致性,即如何在保持数据流形完整性的前提下,最小化去噪过程中的高频回归方差并最大化语义引导效率。

未来可能突破的方向包括:探索自适应表示空间与生成模型的联合演化机制,解决固定预训练表示无法动态适应生成任务需求的问题,难点在于防止特征坍缩并保持训练稳定性,潜在路径包括引入正交性或方差正则化及停止梯度技术(P10、P3);开发多尺度或变长扩散路径以增强多尺度特征学习能力,解决当前固定步数限制模型对复杂结构建模的问题,难点在于平衡计算开销与特征提取粒度,潜在路径包括动态路径激活和冗余步骤共享(P8、P9);研究语义与纹理的异步去噪策略,解决联合去噪中语义引导滞后导致的生成质量问题,难点在于确定最优的时间偏移量以平衡早期语义稳定与纹理协作,潜在路径包括可学习的时序偏移参数优化(P3、P10)。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,系统比较异步去噪与联合演化表示在细粒度数据集上的性能,以厘清语义引导策略的适用边界。

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”。
9348 25
|
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!
2724 14
|
3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)
1306 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)
|
11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。
|
11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)
11348 59
|
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。
1362 1
|
4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。
953 0
|
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。