A Survey on Neural Network Generalization and Complexity |神经网络泛化与复杂性理论综述

简介: 过参数化神经网络在参数量远超训练样本数时仍能良好泛化,这一“过参数化悖论”构成了该领域的核心张力。早期研究依赖VC维和参数计数,但在现代深度学习中往往给出空洞界限,无法解释实际泛化行为。2019-2020年,随机标签记忆实验与双重下降现象彻底挑战了经典偏差-方差权衡,标志着研究重心从静态容量控制转向动态训练过程与隐式正则化。随后,神经切线核(NeuralTangentKernel,NTK)理论将过参数化网络近似为核方法,提供了分析优化动力学的数学工具,但主要局限于惰性训练阶段。2022年,Grokking现象揭示了记忆与泛化在时间维度上的解耦,引发了对特征学习与记忆机制解耦的深入探讨。

综述原文见 www.arxivreview.com

导读

过参数化神经网络在参数量远超训练样本数时仍能良好泛化,这一“过参数化悖论”构成了该领域的核心张力。早期研究依赖VC维和参数计数,但在现代深度学习中往往给出空洞界限,无法解释实际泛化行为。2019-2020年,随机标签记忆实验与双重下降现象彻底挑战了经典偏差-方差权衡,标志着研究重心从静态容量控制转向动态训练过程与隐式正则化。随后,神经切线核(Neural Tangent Kernel, NTK)理论将过参数化网络近似为核方法,提供了分析优化动力学的数学工具,但主要局限于惰性训练阶段。2022年,Grokking现象揭示了记忆与泛化在时间维度上的解耦,引发了对特征学习与记忆机制解耦的深入探讨。当前,研究焦点从单一指标转向多因素耦合,包括损失景观平坦度、体积假设、边缘稳定性以及基于Koopman算子的复杂泛化界限。各路线在表示质量、适应效率与计算成本之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从几何度量到语义先验的因果演进链条,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

神经网络泛化与复杂性研究起源于对深度模型“过参数化悖论”的解释需求。尽管模型参数量远超训练样本数,理论上应严重过拟合,但实际在自然数据上表现优异。早期研究依赖VC维和参数计数,但在现代深度学习中往往给出空洞(vacuous)界限。这一矛盾促使研究者重新审视泛化的本质:问题不再仅仅是“模型容量是否足够”,而是“优化过程如何选择解”。

问题的形式化定义经历了从静态到动态的演化。在经典统计学习理论中,泛化间隙(Generalization Gap)由假设类的复杂度决定,通常通过VC维或Rademacher复杂度量化。然而,在过参数化设置下,模型容量足以记忆随机标签,使得基于容量的界限失效。此时,问题定义转变为:在优化算法(如SGD)的隐式正则化作用下,训练误差与测试误差之间的差异如何被控制?这要求理论从静态的“假设类复杂度”转向动态的“优化路径依赖”。

子问题之间存在严格的依赖关系。首先需确立过参数化下泛化存在的现象学基础,即理解记忆与泛化的共存机制;其次需解析优化动力学的隐式正则化机制,如平坦极小值偏好和边缘稳定性;最后需将这些机制与数据几何及模型架构耦合,推导非空洞的泛化界限。不解决动力学机制,就无法建立有效的泛化界。特征学习作为连接记忆与泛化的桥梁,其动态调整过程是理解深度网络优势的关键。

范式边界因此发生转移。经典理论假设模型复杂度由参数量决定,而现代理论认为复杂度由优化轨迹和数据几何共同决定。这一转移并非简单的替代,而是互补:静态界限在特定条件下(如低维数据、强正则化)依然有效,但在高维过参数化场景中,动态动力学理论提供了更精确的解释。

2016-2018年是奠基期,随机标签记忆实验和NTK理论确立了过参数化研究的合法性。2020年,双重下降现象打破了U型曲线假设,揭示了过参数化模型在特定条件下反而能更好泛化的反直觉规律。2021年,边缘稳定性(Edge of Stability)现象挑战了传统凸优化理论中关于收敛稳定性的假设,表明优化过程处于稳定与不稳定的边界。

2022年,Grokking现象的发现标志着研究进入精细化阶段。模型在完全记忆训练集后,经过长时间训练突然获得泛化能力,揭示了记忆与泛化在时间上的解耦。这一现象迫使理论关注非线性特征涌现和子网络重组,而非仅仅是惰性特征提取。

2023-2025年,研究焦点从单一指标转向多因素耦合。Koopman算子泛化界解决了参数化歧义问题,Rényi锐度提供了尺度不变的锐度估计,体积假设从几何角度解释了泛化。当前形态是多元并存的:不同路线在不同假设下提供了部分解释,但尚未形成统一框架。

如果用一个核心问题概括该领域,那便是:构建一个统一理论框架,定量解释优化动力学、数据几何与模型架构如何共同决定过参数化神经网络的泛化能力,从而消除经典容量界限的空洞性。

2. 方法体系

  • 2017:随机标签记忆实验——奠定过参数化记忆能力基线

  • 2018:神经切线核(NTK)——提供惰性训练数学框架

  • 2019:双重下降现象——打破经典偏差-方差权衡

  • 2021:边缘稳定性——揭示优化过程不稳定边界

  • 2022:Grokking现象——揭示记忆与泛化时间解耦

  • 2025:Koopman算子泛化界——解决参数化歧义问题

  • 2026:Rényi锐度——提供尺度不变锐度度量

  • 2026:训练无关宽度确定——解决宽度选择高计算成本问题

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 随机标签记忆实验 奠定该领域方法基线,经 2018 年 神经切线核(NTK) 的推进,到 2026 年的 训练无关宽度确定 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 特征学习与缩放律

特征学习与缩放律路线起源于对NTK惰性训练局限性的反思。2018年,NTK理论将过参数化网络线性化为核回归,提供了惰性训练的严格数学描述,但放弃了特征学习动态。2020年,缩放律(Scaling Laws)通过大规模实验发现模型性能随数据量、模型宽度和计算量的增加呈现幂律关系,为预测大模型性能提供了可量化的理论依据。

P4(Defilippis et al., 2025)针对NTK在特征学习区域的失效,利用近似消息传递(AMP)和状态演化方程,分析了浅层神经网络在特征学习区域的缩放律和权重矩阵谱特性。该方法证明了在比例渐近极限下,网络性能由数据、模型和计算资源的联合缩放决定,并揭示了谱特性随训练动态的演化规律。它放弃了线性网络或特定聚类数据的简化假设,转而研究深度非线性网络的全局动态,换取了对特征学习机制的严格数学框架。

P11(Yeom et al., 2026)进一步研究了特征学习强度(FLS)对神经网络泛化性能的影响,分析了过对齐(Over-Alignment)与过拟合(Over-Fitting)之间的权衡。该方法通过调整权重初始化或输出缩放来控制FLS,揭示了强特征学习虽能提取有用特征,但也可能导致对训练数据的过度拟合。它依赖于线性化近似的假设,忽略了高阶非线性效应,换取了FLS与泛化间隙关系的量化。

P8(Moakher et al., 2025)利用随机矩阵理论(RMT)分析了循环神经网络(RNN)等表示模型的泛化性能,推导了高维极限下测试误差的精确表达式。该方法将表示学习过程建模为随机矩阵的特征值分布问题,揭示了表示维度、数据相关性和噪声水平对泛化的影响。它依赖于随机初始化和高维渐近假设,忽略了训练过程中的非线性动态,换取了表示几何结构与泛化性能之间内在联系的揭示。

P28(ICLR 2026)提出了一种无需训练即可确定神经网络最优宽度的方法,利用NTK最小特征值的饱和点作为宽度的代理指标。该方法通过扫描不同宽度下的NTK谱,找到最小特征值不再显著增加的宽度,作为模型容量饱和点。它依赖于NTK在初始化时的近似有效性,忽略了训练过程中核的变化,适用于惰性训练区域,换取了宽度选择的高计算成本问题的解决。

该路线与Grokking机制解析路线互补:前者关注特征学习的静态缩放律,后者关注记忆到泛化的动态相变。

2.2 损失景观与平坦性

损失景观与平坦性路线起源于对隐式正则化几何解释的需求。2021年,边缘稳定性(Edge of Stability)现象被观察到,表明优化过程处于稳定与不稳定的边界。2024年,体积假设提出泛化好的极小值在参数空间中占据更大的体积,梯度下降倾向于收敛到这些高体积区域。

P5(Zhang et al., 2025)提出了一种基于Rényi熵的锐度定义,通过计算损失函数在参数扰动下的分布熵来量化极小值的平坦程度。该方法克服了传统Hessian迹或最大特征值对参数尺度敏感的问题,提供了尺度不变的锐度估计。它依赖于局部损失函数近似为二次型的假设,计算成本高于简单的范数度量,需要多次随机扰动采样,换取了与泛化性能更强的相关性。

P23(Pakman et al., 2026)利用Wang-Landau算法和副本交换技术,精确计算过参数化神经网络参数空间中不同泛化性能区域的体积分布。该方法通过随机游走遍历参数空间,估计具有不同训练和测试误差的参数配置的密度,验证了体积假设。它依赖于参数空间连通性的假设,计算成本极高,仅适用于小型网络,换取了体积假设的严格数值验证。

P17(Tuci et al., 2026)研究了在边缘稳定性(EoS)状态下训练的神经网络的泛化性能,分析了Hessian最大特征值振荡对泛化间隙的影响。该方法证明了在EoS状态下,优化过程产生的噪声有助于逃离尖锐极小值,从而找到更平坦的解,改善泛化。它依赖于损失景观局部二次近似的假设,忽略了高阶项的影响,换取了EoS动力学与泛化性能之间直接联系的建立。

P1(Han et al., 2025)利用Grokking现象作为探针,解耦了损失景观平坦性和神经坍缩(Neural Collapse)对泛化的贡献。该方法通过比较Grokking发生前后的损失景观特性和特征几何,发现平坦性是泛化的必要条件,而神经坍缩并非充分条件。它依赖于Grokking任务中记忆与泛化清晰分离的假设,可能不适用于所有任务,换取了平坦性在泛化中核心作用的证明。

该路线与泛化界与复杂度路线竞争:前者关注几何特征,后者关注代数不变量。

2.3 泛化界与复杂度

泛化界与复杂度路线起源于对静态容量界限空洞性的修正。2025年,Koopman算子泛化界利用Koopman算子和再生核希尔伯特空间(RKHS)构建代数框架,推导了高秩权重矩阵神经网络的Rademacher复杂度界。

P3(Hashimoto et al., 2025)利用Koopman算子和群表示论构建神经网络的代数表示,结合RKHS推导Rademacher复杂度界。该方法将非线性激活函数分解为线性算子的组合,通过谱分析权重矩阵的奇异值分布来量化模型复杂度。它依赖于权重矩阵在特定群作用下的不变性假设,计算复杂度较高,需要求解高维矩阵的谱分解,换取了高秩网络非空洞泛化界的突破。

P18(Sakai and Imaizumi, 2026)针对Transformer架构,提出了一种基于注意力矩阵和前馈层权重谱特性的泛化误差界。该方法分析了多头注意力机制中查询-键矩阵的奇异值分布,以及前馈网络中权重矩阵的谱范数,将其与泛化间隙联系起来。它依赖于注意力分数分布的集中性假设,忽略了位置编码和层归一化的具体影响,换取了谱自适应项的动态调整能力。

P16(Lei and Xie, 2026)针对过参数化浅层神经网络,提出了一种依赖于权重初始化分布的泛化误差界。该方法分析了SGD训练过程中权重轨迹的几何特性,将泛化误差与初始化方差、学习率及训练步数联系起来。它依赖于权重初始化服从高斯分布的假设,且仅适用于浅层网络,难以直接推广到深层架构,换取了初始化对泛化性能重要影响的揭示。

P12(Huang et al., 2026)将深度残差网络(ResNet)建模为离散或连续时间动力系统,利用收缩映射原理推导泛化误差界。该方法分析了激活函数的Lipschitz常数和残差连接的收缩性质,证明了在深度极限下,网络的泛化误差受限于输入数据的几何结构和激活函数的平滑性。它依赖于激活函数属于特定Lipschitz类函数的假设,忽略了批归一化等组件的影响,换取了深度与泛化误差之间显式关系的建立。

该路线与损失景观与平坦性路线互补:前者提供代数框架,后者提供几何解释。

2.4 Grokking机制解析

Grokking机制解析路线起源于2022年Grokking现象的发现。模型在完全记忆训练集后,经过长时间训练突然获得泛化能力,揭示了记忆与泛化在时间上的解耦。

P29(ICLR 2026)建立了特征涌现的数学框架,推导了记忆到泛化转变的缩放律。该方法通过反向传播驱动的特征学习动态,分析了记忆电路与泛化电路之间的竞争机制。它放弃了线性网络或特定聚类数据的简化假设,转而研究深度非线性网络的全局动态,换取了对Grokking发生时机可量化预测的工具。

P22(Luo et al., 2026)将Grokking现象建模为随机过程中的首次通过时间问题,引入随机几何视角分析参数空间中的径向流动。该方法利用Itô引理推导了有效半径的随机微分方程,将训练过程中的参数演化描述为带有漂移和扩散项的随机过程。它依赖于参数空间局部几何结构的假设,忽略了高阶非线性项的影响,换取了解析解的可得性。

P26(Lin, 2026)提出了一种通过施加短时权重衰减脉冲来探测网络内部动态的方法,将Grokking视为一个动态系统而非静态状态。该方法定义了权重衰减响应图,通过扫描脉冲施加时间和强度,测量泛化时间的变化量,从而识别出促进或抑制泛化的关键训练阶段。它放弃了长期持续正则化的传统做法,转而采用瞬时干预以隔离特定时间窗口的动力学效应,换取了对Grokking因果机制的实验手段。

P27(Leon, 2026)借鉴生物神经系统的可塑性机制,提出在多层感知机中引入特定的正则化和激活函数组合以模拟生物学习的特征提取过程。该方法通过调整权重衰减和激活函数的非线性特性,引导网络在早期训练阶段形成稀疏且结构化的子网络,从而加速从记忆到泛化的转变。它依赖于对生物神经网络中稀疏连接和局部学习规则的假设,可能限制了其在其他架构上的通用性,换取了Grokking研究架构范围的拓展。

该路线与记忆与表示动态路线互补:前者关注宏观相变,后者关注微观表示演化。

2.5 记忆与表示动态

记忆与表示动态路线起源于对记忆化机制的深入探讨。2017年,随机标签记忆实验揭示了过参数化神经网络具备极强的记忆能力。

P13(Ketha and Ramaswamy, 2026)研究了在记忆化阶段神经网络内部表示中存在的潜在泛化能力,分析了这种潜在泛化如何随训练动态演化及其可转移性。该方法通过探针实验揭示了即使在模型整体泛化性能下降时,其内部层表示仍保留了对未见过数据的预测能力。它依赖于探针线性性的假设,忽略了非线性探针可能揭示的更复杂结构,换取了对记忆与泛化共存机制的新视角。

P2(Sakamoto and Sato, 2025)利用信息瓶颈(IB)原理和神经坍缩(NC)现象,解释了Grokking过程中从记忆到泛化的转变机制。该方法分析了训练过程中输入、表示和输出之间的互信息变化,证明了Grokking对应于表示从编码训练集细节向编码任务相关结构的转变。它依赖于互信息估计的准确性,高维设置下估计方差较大,换取了信息压缩与几何收敛在泛化中协同作用的揭示。

P15(Marty et al., 2026)将神经网络的简单性偏置解释为MDL原则下的无损压缩过程,分析了训练动态如何最小化模型复杂度和数据拟合误差的总和。该方法证明了SGD倾向于找到能高效压缩数据的简单函数,将泛化性能与压缩率联系起来。它依赖于数据分布的平稳性假设,忽略了模型架构对压缩能力的限制,换取了简单性偏置的信息论基础。

P9(Kaushik et al., 2025)通过大规模实证分析,证明了不同数据集、超参数和初始化下训练的神经网络倾向于收敛到架构特定的低秩联合子空间,称为通用子空间。该方法利用高阶奇异值分解(HOSVD)提取各层权重的共同子空间,揭示了网络内部表示的共享结构和冗余性。它依赖于权重矩阵的低秩近似假设,忽略了高阶交互效应,换取了跨任务和数据的表示共享现象的发现。

该路线与正则化与评估综述路线互补:前者关注内部动态,后者关注外部评估。

2.6 正则化与评估综述

正则化与评估综述路线起源于对现有泛化度量鲁棒性的质疑。2025年,多项研究指出许多泛化度量对超参数敏感,且不能正确反映数据难度或训练动态。

P10(Opperman et al., 2026)系统梳理了数据、架构、损失函数、正则化项和优化器五个维度的正则化技术,分析了它们对泛化的影响及相互矛盾之处。该综述不仅总结了现有方法,还通过实证实验比较了不同正则化策略在过参数化设置下的有效性。它依赖于特定数据集和架构的实验结果,结论可能不具普适性,换取了正则化技术的全面地图。

P7(Zhang and Louis, 2025)提出了一套评估泛化度量鲁棒性的标准,包括超参数扫描、数据复杂度检查和时间稳定性检查,揭示了现有泛化度量在超参数变化下的脆弱性。该方法证明了许多泛化度量对超参数敏感,且不能正确反映数据难度或训练动态。它依赖于特定实验设置,可能未覆盖所有极端情况,换取了对泛化度量领域的严厉批评。

P24(Zhao, 2026)构建了一个从近似理论到泛化理论的综合框架,统一了通用近似、优化、泛化、鲁棒性和生成模型等多个领域的结果。该框架将深度学习视为一个从函数近似到统计学习的连续过程,揭示了不同理论工具之间的内在联系。它依赖于特定的数学假设,如光滑性和凸性,可能不适用于所有深度学习场景,换取了深度学习理论的宏观视角。

P20(Zhouluo, 2026)通过大规模实验,分析了数据规模、模型复杂度和输入模态对视觉泛化性能的联合影响,揭示了双重下降现象在不同模态下的表现差异。该研究证明了数据规模和模型复杂度的交互作用决定了泛化性能,且不同模态具有不同的最优复杂度-数据比例。它依赖于特定数据集和架构,结论可能受限于实验范围,换取了多模态下的泛化曲线实证数据。

该路线与所有其他路线互补:提供评估标准和统一框架。

路线 核心假设 放弃的假设 换取的收益 局限性
特征学习与缩放律 高斯数据、特定激活函数 线性网络、惰性训练 特征学习机制的严格数学框架 计算复杂度高,难以推广到深层网络
损失景观与平坦性 局部二次近似、参数空间连通性 全局凸性、高阶项影响 尺度不变锐度估计、体积假设验证 计算成本极高,仅适用于小型网络
泛化界与复杂度 权重矩阵群作用不变性、Lipschitz激活 低秩结构偏好、批归一化影响 高秩网络非空洞泛化界、深度显式关系 计算复杂度高,依赖谱分解
Grokking机制解析 参数空间局部几何、生物启发机制 长期持续正则化、Transformer特有性 记忆-泛化相变微观解释、加速策略 局限于特定合成任务,生态效度有限
记忆与表示动态 探针线性性、数据分布平稳性 非线性探针、架构对压缩能力限制 潜在泛化可转移性、简单性偏置信息论基础 高维设置下估计方差大
正则化与评估综述 特定数据集和架构 普适性、极端情况覆盖 正则化技术全面地图、度量鲁棒性标准 结论可能不具普适性

3. 关键共识、分歧与开放问题

3.1 领域共识

过参数化深度网络能够泛化良好,尽管其容量足以记忆随机标签,这一现象无法仅用经典容量理论解释。预训练-微调范式的优势在多个基准上被反复验证:MAGDrop的99.52%与ED Regularization的95.02%均大幅超越经典ResNet-18的92.03%(支撑证据:P6、P19)。优化算法(如SGD)具有隐式正则化效应,倾向于选择泛化较好的解,而非任意拟合解。这一共识在Grokking研究中得到进一步支持:权重衰减作为隐式正则化逐渐抑制记忆电路并促进泛化电路的形成(支撑证据:P27、P26)。

与此相关的另一个共识是,Neural Tangent Kernel (NTK) 是分析过参数化网络训练动力学的关键工具,但在特征学习阶段存在局限性。NTK在惰性区域有效,但在特征学习区域失效,需要结合随机矩阵理论和统计物理方法分析特征学习机制(支撑证据:P4、P28)。损失景观的平坦度(Flatness)与泛化性能正相关,但具体度量方式和因果关系仍需进一步澄清。Rényi锐度提供了尺度不变的锐度估计,与泛化性能具有更强的相关性(支撑证据:P5、P23)。

3.2 观点分歧

平坦极小值是泛化的原因还是结果?观点A认为平坦性是泛化的原因,SGD倾向于收敛到平坦区域,从而获得更好的泛化。Wang-Landau体积验证提供了体积与泛化的幂律关系,Grokking探针实验显示平坦性是泛化的必要条件(支撑证据:P23、P1)。观点B认为平坦性可能是幻觉或受参数化歧义影响,泛化主要由数据几何和隐式偏差决定,平坦性只是伴随现象。Rényi锐度批评指出传统Hessian迹对参数尺度敏感,且在过参数化网络中失效(支撑证据:P5、P7)。现有证据偏向观点A,但证据强度受限于计算成本(仅适用于小网络)和特定任务(模算术)。定输赢的实验需在大尺度自然数据上验证参数化不变性下的平坦度预测力。

这一分歧的背后,是另一个更根本的争论:NTK惰性训练与特征学习哪个主导泛化?观点A认为NTK惰性训练足以解释宽网络的泛化,特征学习是次要效应。NTK理论提供了惰性训练的严格数学描述,训练无关宽度确定方法依赖于NTK最小特征值(支撑证据:P28、P4)。观点B认为特征学习是深度网络优于核方法的关键,惰性近似无法捕捉真实泛化机制。特征学习强度权衡揭示了强特征学习虽能提取有用特征,但也可能导致过拟合(支撑证据:P11、P8)。证据偏向观点B,实验显示强特征学习能提取任务相关特征,但过强会导致过对齐。定输赢的实验需比较相同容量下惰性训练与特征学习训练的泛化差距,并量化特征对齐误差。

3.3 其他开放问题

当前主要瓶颈在于理论对深层复杂架构(如Transformer)的推广能力不足。多数泛化界和Grokking动力学分析局限于浅层网络或特定激活函数,难以直接推广到深层残差网络、Transformer等复杂架构。难点在于深层网络中特征交互的非线性累积效应及优化动态的高维性,未来需结合动力系统理论与谱分析,建立适用于任意深度网络的统一泛化框架(支撑证据:P12、P18)。

最根本的研究问题是整合优化动态与泛化理论。现有泛化界多为静态事后分析,未充分捕捉训练过程中的隐式正则化效应。难点在于将随机优化算法(如Adam、SGD)的轨迹特性与泛化误差建立定量联系。未来方向包括开发基于随机微分方程(SDE)或随机动力系统的泛化界,以解释优化器选择对泛化的影响(支撑证据:P22、P17)。

已知—争议—未知认知图谱显示:已知过参数化模型依赖隐式正则化,争议平坦性的因果地位,未知深层架构下的统一泛化框架。发展趋势是构建非空洞、架构无关、数据感知的泛化理论。

4. 总结与展望

神经网络泛化理论已完成从静态容量到动态动力学的范式转移,但尚未形成统一框架。核心瓶颈在于理论对深层复杂架构的推广能力不足,以及特征学习强度与泛化权衡的量化缺失。回扣第1章锚点句,构建统一理论框架以消除经典容量界限的空洞性,仍是该领域的核心挑战。

未来可能突破的方向包括:扩展理论至深层与复杂架构,结合动力系统理论与谱分析建立适用于任意深度网络的统一泛化框架(P12、P18共同指向);整合优化动态与泛化理论,开发基于随机微分方程的泛化界以解释优化器选择对泛化的影响(P22、P17共同指向)。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重评测代表性方法,以Meta-Dataset多域协议为主基准,解决当前评测体系中的公平比较问题。

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”。
9364 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!
2727 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)
1307 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)
11378 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。
1365 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。
955 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。