A Survey of Wireless Federated Learning Methods |无线联邦学习方法综述

简介: 无线联邦学习(WirelessFederatedLearning,WFL)旨在解决边缘智能与隐私保护双重需求下的数据孤岛与通信瓶颈问题,其核心价值在于利用无线信道的物理特性实现分布式模型的高效聚合。早期研究依赖数字链路传输模型更新,虽保护了隐私,却受制于上行带宽严重不足的物理极限。随着空中计算(Over-the-AirComputation,AirComp)技术的引入,研究者利用多址信道的线性叠加特性,将通信与计算在物理层融合,从而突破了带宽瓶颈。这一范式转变使得研究重心从单纯的通信效率转向系统层面的鲁棒性与异构性适应,包括非独立同分布(Non-IID)数据下的收敛性分析及信道衰落对抗。

综述原文见 www.arxivreview.com

导读

无线联邦学习(Wireless Federated Learning, WFL)旨在解决边缘智能与隐私保护双重需求下的数据孤岛与通信瓶颈问题,其核心价值在于利用无线信道的物理特性实现分布式模型的高效聚合。早期研究依赖数字链路传输模型更新,虽保护了隐私,却受制于上行带宽严重不足的物理极限。随着空中计算(Over-the-Air Computation, AirComp)技术的引入,研究者利用多址信道的线性叠加特性,将通信与计算在物理层融合,从而突破了带宽瓶颈。这一范式转变使得研究重心从单纯的通信效率转向系统层面的鲁棒性与异构性适应,包括非独立同分布(Non-IID)数据下的收敛性分析及信道衰落对抗。当前,WFL已从理论验证进入面向6G网络的系统化设计阶段,涵盖空口聚合、资源调度、去中心化架构及基础模型微调等多维交叉领域。各路线在通信效率、鲁棒性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。本综述梳理这条从数字传输到空口计算的因果演进链条,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

无线联邦学习的起源源于边缘智能对隐私保护与数据利用的双重诉求。传统集中式机器学习要求将原始数据上传至中心服务器,这在移动终端和物联网场景中既面临隐私泄露风险,又受限于上行链路带宽的物理极限。联邦学习(Federated Learning, FL)范式允许设备在本地训练模型并仅上传更新,从而在保护数据隐私的同时实现知识共享。然而,当FL部署在无线环境中时,上行链路的带宽有限性和设备计算能力的异构性构成了新的核心约束。早期研究主要关注如何通过模型压缩降低传输开销,但忽视了无线信道本身的物理特性,导致在大规模设备并发传输时仍面临严重的通信瓶颈。

该领域的核心问题可形式化为在无线信道物理约束与边缘设备资源约束下,实现分布式模型的高效、鲁棒且隐私保护的聚合。具体而言,问题涉及通信瓶颈与计算异构性的耦合、非IID数据导致的客户端漂移、信道衰落对聚合精度的干扰以及隐私保护与模型精度的权衡。这些子问题之间存在强依赖关系:通信瓶颈决定了聚合机制的选择(如空中计算 vs 数字传输),信道状态信息(Channel State Information, CSI)与数据分布共同决定了资源调度策略,而去中心化架构则进一步引入了拓扑选择与偏差校正的新维度。这种耦合性使得WFL无法简单复用有线FL的解决方案,必须进行通信-计算-算法的联合设计。

WFL的问题定义经历了从“理想数字链路”到“真实无线信道”的深刻演化。2017年,FedAvg算法奠定了FL的基础框架,假设信道理想且设备同质,主要关注如何通过加权平均聚合全局模型。2020年前后,随着AirComp技术的引入,问题定义发生了根本性转变:研究者开始利用无线多址信道的线性叠加特性,在模拟域直接计算模型更新之和,从而将通信与计算融合。这一转变使得信道状态从干扰源转变为计算资源,CSI成为优化核心变量。随后,研究重心从单纯的通信效率转向系统层面的鲁棒性,关注非IID数据导致的客户端漂移、信道时变衰落对聚合精度的干扰,以及设备计算/通信能力的异构性。

2023-2024年,研究进一步从“理想信道”转向“真实异构”,开始深入探讨非IID数据下的收敛性分析及基于信道状态的自适应资源分配。2025-2026年,WFL进入面向6G网络的系统化设计阶段,重点探索低延迟、高能效及去中心化架构。这一阶段的研究不仅涵盖基础的OTA聚合机制,还延伸至基础模型微调、多智能体强化学习及去中心化公平性等多维交叉领域。例如,FedFT-LoRA解决了大模型在资源受限边缘设备上的隐私保护微调问题,而DFL-AA则通过逆概率加权和信息年龄聚合提升了不可靠无线链路下的鲁棒性。

当前,WFL已成为构建AI原生无线网络的核心支柱。其问题结构由“隐私-通信-计算”三角约束构成,核心矛盾在于无线信道的物理叠加特性(利于聚合)与信道衰落/噪声(破坏聚合)之间的对抗。解决这一矛盾需要物理层与算法层的深度协同:物理层通过预编码、功率控制优化信道质量,算法层通过自适应聚合、模型压缩提升收敛效率。这种协同设计使得WFL不再仅仅是FL在无线环境下的简单应用,而是一个全新的交叉研究领域。

如果用一个核心问题概括该领域,那便是:如何在无线信道的物理层约束与边缘设备的资源约束下,通过通信-计算-算法的联合设计,实现分布式模型的高效、鲁棒且隐私保护的聚合。

2. 方法体系

  • 2017:FedAvg——奠定去中心化隐私保护学习的基础框架

  • 2020:RDFL——开创无中心服务器协作学习的先河

  • 2024:SplitFed——为计算受限边缘设备提供新的资源分配思路

  • 2025:AirComp-FL——成为6G边缘智能的关键使能技术

  • 2025:Learned Digital Codes——弥补传统模拟AirComp对信道相干性依赖的缺陷

  • 2026:CHARGE-FL——实现通信与计算的深度协同

  • 2026:DFL-AA——提升不可靠无线链路下的鲁棒性

  • 2026:Air-Plan——提升大规模网络的扩展性

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 FedAvg 奠定该领域方法基线,经 2020 年 RDFL 的推进,到 2026 年的 TT-Prune 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 空口聚合机制

空口聚合机制是WFL的核心物理层技术,旨在利用无线多址信道的叠加特性实现通信与计算一体化。AirFL统一框架(Azimi-Abarghouyi et al., 2025, P11)提出了整合联邦学习与空口计算的综合教程与系统模型,建立了通信-学习接口的统一分析框架。该框架详细阐述了盲方案、加权方案及非盲方案在重尾干扰下的收敛保证,明确了空口聚合中功率控制、相位对齐与信道估计的关键作用。然而,纯模拟AirComp对信道相干性依赖过高,在低信噪比(SNR)下性能急剧下降。针对这一短板,Learned Digital Codes(Tarizzo et al., 2025, P2)引入了基于学习数字编码的传输方案,利用误差累积机制将量化误差反馈至后续更新,通过牺牲部分模拟域的计算优势换取数字域的可靠性,有效缓解了同步误差和信道估计误差对聚合精度的影响。

为了进一步降低硬件复杂度并提升能效,Pinching Antenna Systems (PASS)(Asaad and Bereyhi, 2026, P13)引入了捏合天线系统作为基站接收端,利用波导上的可移动捏合元件实现空间滤波与信号叠加。该方法通过调整元件位置优化上行信道,以更低硬件复杂度实现高精度的模拟聚合,特别适用于能量受限的边缘设备场景。另一方面,针对无法进行精确同步或信道估计困难的环境,Resource-Element Energy Difference (REED)(Chen and Bozorgasl, 2026, P18)提出了一种基于资源元素能量差异的非相干聚合方法。REED无需精确的相位对齐,而是利用接收信号的能量波动来估计模型更新,放弃了对信道相干性的严格依赖,换取了系统在低SNR下的鲁棒性。

在调度策略上,CHARGE-FL(Fatima et al., 2026, P21)提出了信道自适应且应用驱动的鲁棒聚合框架。该方法动态触发聚合过程,仅当信道条件有利或外部事件需求时传输更新,避免了在恶劣信道下的无效传输。其核心改进在于引入了基于CSI和应用优先级的双触发机制,并通过归一化聚合规则确保所有客户端更新的无偏性,防止快客户端过度代表。与传统的固定调度相比,CHARGE-FL显著降低了通信开销并缓解了客户端漂移,特别适用于6G网络中时变信道与动态业务负载并存的场景。空口聚合机制与资源优化路线紧密互补:前者解决“如何传”的物理层融合问题,后者解决“何时传、传多少”的系统层优化问题,两者共同应对信道动态性与设备异构性。

2.2 资源优化与调度

资源优化与调度路线聚焦于在无线信道动态变化与设备异构性约束下,最小化训练时延、能耗并提升模型收敛精度。Q-Learning-based Whittle Index Client Selection(Li et al., 2025, P1)提出了一种基于Q学习和Whittle Index的自适应客户端选择算法。该方法将客户端状态建模为部分可观测马尔可夫决策过程(POMDP),利用Whittle Index将多臂老虎机问题分解为单臂问题,从而高效计算最优选择策略。其核心创新在于结合了强化学习的在线学习能力与Whittle Index的理论最优性,能够动态适应客户端计算能力与信道质量的波动,避免了传统静态选择策略在异构环境下的性能退化。

针对时间触发联邦学习(TT-Fed)中的通信瓶颈,TT-Prune(Zhang et al., 2025, P8)提出了一种联合模型剪枝与带宽分配的优化框架。该方法基于梯度L2范数的收敛分析,推导了剪枝比与无线带宽之间的理论关系,并利用KKT条件求解在时延约束下最小化训练损失的闭式解。TT-Prune在保持模型精度的同时大幅降低了通信成本,解决了TT-Fed中因固定时间间隔导致的资源浪费问题。此外,Importance-Aware Gradient Sign Prioritization(Yue et al., 2026, P15)提出了一种优先传输梯度符号而非幅度的重要性感知框架。该方法重新定义了参数重要性度量,从传统的幅度阈值转向符号一致性分析,从而在极低比特率下仍能保持模型收敛,通过牺牲部分幅度精度换取通信开销的显著降低。

为了应对非视距(NLoS)链路挑战,RIS-Assisted Adaptive Modulation and Resource Allocation(Wang et al., 2026, P23)提出了一种结合可重构智能表面(RIS)辅助的自适应调制与资源分配算法。该方法利用RIS反射增强被遮挡客户端的信道质量,并基于收敛-时延感知模型动态调整调制阶数与带宽分配,有效解决了NLoS客户端在无线FL中的接入难题。FedLAM(Qu et al., 2025, P6)则提出了层级自适应调制(LAM)机制,根据DNN不同层参数的敏感度差异,动态分配不同的调制阶数,对敏感层采用高阶调制以保证精度,对非敏感层采用低阶调制以节省带宽。资源优化路线与空口聚合路线在物理层与算法层形成协同:资源优化为空口聚合提供最优的信道条件与传输策略,而空口聚合则为资源优化提供高效的聚合手段。

2.3 去中心化与P2P架构

去中心化与P2P架构旨在消除中心服务器单点故障,提升大规模无线网络的扩展性与鲁棒性。MAR-FL(Mulitze et al., 2025, P12)提出了一种通信高效的点对点(P2P)联邦学习系统,采用去中心化拓扑,允许节点间直接交换模型更新,并引入稀疏化与自适应对等选择机制以降低通信开销。其核心创新在于设计了容忍节点掉线的聚合协议,确保在动态无线环境中部分节点失效时仍能维持全局聚合的完整性。然而,去中心化架构面临部分接收与陈旧更新问题。DFL-AA(Hewa Kaluannakkage and Buyya, 2026, P19)提出了一种结合逆概率加权(IPW)与信息年龄(AoI)的聚合算法,利用Horvitz-Thompson估计器校正因链路质量差异导致的采样偏差,并通过AoI指数衰减因子抑制陈旧模型更新的影响,提升了去中心化FL在丢包率高、时延波动大环境下的收敛稳定性。

针对非IID数据与不可靠通信的双重挑战,QEF-GT-AdamW(Thieu et al., 2026, P24)提出了一种结合梯度跟踪(GT)与AdamW优化器的鲁棒去中心化无线联邦学习算法。该方法引入双流量化与误差反馈机制,分别对模型参数和跟踪变量进行压缩传输,并通过序列号校验丢弃损坏数据包。QEF-GT-AdamW使每个节点能渐近跟踪全网梯度,同时利用AdamW的动量特性加速收敛,在低带宽、高丢包率的无线环境中表现出优异的鲁棒性。为了进一步优化去中心化拓扑,Air-Plan(Attaluri et al., 2026, P22)提出了一种面向去中心化空口联邦学习(OTA-DFL)的查询优化拓扑选择框架,将通信拓扑设计映射为分布式查询处理问题,利用成本模型评估不同拓扑下的执行开销,并基于工作负载统计自动选择最优拓扑,实现了拓扑选择的自动化与智能化。去中心化架构与中心化架构形成互补:前者在大规模、高隐私及基础设施受限场景中更具优势,后者在小规模、高带宽场景中收敛更快。

2.4 边缘智能应用

边缘智能应用路线将联邦学习应用于无线边缘具体场景,解决数据隐私、非IID数据及边缘计算资源受限下的实际部署问题。FedFT-LoRA(Wang et al., 2025, P3)提出了一种面向异构无线网络的基础模型联邦微调范式,利用LoRA低秩适配技术减少边缘设备上的可训练参数。该方法在gNodeB侧维护全局LoRA参数,UE侧仅更新本地LoRA模块,通过无线链路传输低秩矩阵而非完整模型,显著降低了通信开销,解决了大模型在资源受限边缘设备上的隐私保护微调问题。Hybrid Split and Federated Learning Optimization(Guo et al., 2025, P9)提出了一种混合分裂学习与联邦学习的优化框架,允许部分设备执行分裂学习(SL)以减轻计算负担,另一部分执行联邦学习(FL)以保护隐私,并通过激活聚合与延迟梯度机制实现通信-计算并行,有效缓解了FL中设备计算瓶颈与SL中通信瓶颈之间的矛盾。

FedOC(Ji et al., 2025, P4)提出了一种多服务器联邦学习架构,利用重叠覆盖区域的边缘服务器(ES)作为客户端中继,降低长距离通信时延。该方法允许客户端向最近的ES上传更新,ES间通过回传链路交换信息,最终由中心服务器进行全局聚合,特别适用于5G/6G密集部署场景。FedAPA(Guo et al., 2025, P10)提出了一种面向Wi-Fi信道状态信息(CSI)人群计数的自适应原型聚合联邦学习方法,通过原型共享引入外部信息以缓解数据分布偏移,设计了自适应聚合权重,根据客户端数据质量动态调整原型贡献,提升了模型在异构环境下的鲁棒性。Federated Agentic AI(Cai et al., 2026, P14)提出了一种联邦智能体AI框架,将感知、记忆、推理与行动闭环集成到无线网络管理中,支持UAV集群抗干扰等应用,通过联邦聚合保护各智能体的私有策略,为6G网络的自主化与智能化提供了新范式。边缘智能应用路线与基础理论路线相互促进:应用场景的需求驱动了基础算法的创新,而基础算法的进步则拓展了应用场景的边界。

2.5 分布式感知与综述

分布式感知与综述路线旨在构建感知-通信-计算一体化的智能网络基础理论与系统架构。Federated Multi-Agent Deep Learning for Distributed Sensing(Muller et al., 2026, P16)提出了一种面向无线分布式感知的联邦多智能体深度学习(MADL)框架,整合了多智能体强化学习(MARL)、联邦学习(FL)与图神经网络(GNN)。该方法将无线节点建模为智能体,通过联邦机制聚合各节点的感知策略,利用GNN捕捉节点间的空间相关性,实现通信与感知的联合优化。其核心创新在于建立了从系统到算法的分类学,明确了不同应用场景下的MADL方法选择,如ISAC中的协同感知与资源分配。该综述为构建感知-通信-计算一体化的智能网络提供了理论基础与系统架构,推动了无线网络从通信中心向感知-智能中心的转型。分布式感知路线与其他路线形成交叉融合:它既利用了空口聚合的高效性,又借鉴了去中心化架构的鲁棒性,同时服务于边缘智能应用的具体需求。

3. 关键共识、分歧与开放问题

3.1 领域共识

通信开销是无线联邦学习部署的首要瓶颈,必须通过压缩、稀疏化或空中计算等物理层与算法层协同技术来解决。这一共识在多个基准上被反复验证:CHARGE-FL在CIFAR-10上的0.88准确率与TT-Prune的0.86准确率均大幅超越经典FedProx的0.75,表明通信效率优化对模型精度的显著提升。与此相关的另一个共识是,非IID数据分布是导致联邦学习收敛性能下降和客户端漂移的核心因素,需要专门的聚合规则或优化算法来缓解。FedAPA在Wi-Fi CSI人群计数中的自适应原型聚合策略,以及QEF-GT-AdamW在去中心化场景下的梯度跟踪机制,均有效缓解了非IID数据带来的收敛困难。此外,Over-the-Air Computation (AirComp) 利用信道叠加特性进行空中聚合,是提升无线FL通信效率的关键范式,但需解决信道对齐和噪声问题。AirFL统一框架和Learned Digital Codes分别从理论分析和数字编码角度解决了这一问题,形成了从模拟到混合的技术路线。

3.2 观点分歧

空口聚合中模拟域与数字域的取舍是领域内的主要分歧之一。模拟AirComp派主张利用信道线性特性直接求和,最大化通信效率,代表方法包括AirFL和PASS;数字/混合编码派主张通过量化与解码提升鲁棒性,降低对信道相干性依赖,代表方法包括Learned Digital Codes和REED。现有证据偏向混合方案:在低SNR场景下,纯模拟方案性能急剧下降,而数字/混合方案通过牺牲部分效率换取了稳定性。实验表明,在SNR<0dB时,Learned Digital Codes比纯AirComp精度高出10-15%。这一分歧的背后,是另一个更根本的争论:中心化与去中心化架构的适用边界。中心化派主张服务器聚合收敛快、分析简单,适合小规模/高带宽场景,代表方法包括FedAvg和CHARGE-FL;去中心化派主张P2P/网状拓扑消除单点故障,适合大规模/高隐私/基础设施受限场景,代表方法包括MAR-FL、DFL-AA和Air-Plan。证据显示去中心化在节点数>50或链路丢包率>10%时更具优势,DFL-AA通过IPW和AoI校正,在丢包率20%下仍保持90%以上的收敛精度,而中心化方案性能显著退化。然而,去中心化FL的收敛理论尚不完善,缺乏对任意拓扑下收敛速率的紧界分析,且拓扑选择的计算开销在超大规模网络中的可扩展性未充分验证。

3.3 其他开放问题

当前WFL面临从“理想模型”到“真实部署”的认知边界跨越。最紧迫的工程问题包括实际无线信道(多径、硬件失配)下的预编码与解码联合设计,以及RIS辅助的实时相位控制。现有研究多基于理想信道模型,缺乏对真实硬件约束的端到端设计,导致方案在真实无线环境中的实用性和鲁棒性不足。最根本的研究问题包括低SNR下非相干聚合的鲁棒性理论、去中心化FL中部分接收偏差的无偏估计,以及联邦基础模型微调的隐私-精度权衡。REED等非相干聚合方法虽提升了低SNR下的鲁棒性,但缺乏严格的收敛保证;DFL-AA虽通过IPW校正了部分接收偏差,但其在高动态信道下的稳定性仍需进一步验证;FedFT-LoRA虽降低了通信开销,但PEFT在高度Non-IID数据下的泛化能力缺乏理论保证。归纳“已知—争议—未知”认知图谱:已知的是通信开销为首要瓶颈、AirComp为关键范式、非IID需专门聚合策略;争议的是模拟vs数字、中心化vs去中心化的适用边界;未知的是真实信道下的端到端设计、低SNR非相干聚合理论及PEFT泛化保证。未来发展趋势将聚焦于通信-计算-能量联合优化、去中心化拓扑选择与鲁棒聚合、以及联邦学习与基础模型/智能体AI的融合。

4. 总结与展望

无线联邦学习通过AirComp技术实现了通信与计算的物理层融合,解决了带宽瓶颈这一核心问题。然而,当前研究仍面临通信瓶颈与计算异构性耦合、非IID数据导致的客户端漂移、信道衰落与同步误差对OTA聚合的干扰等核心矛盾。早期研究聚焦于通过数字链路传输模型更新以保护隐私,但面临上行链路带宽严重不足的困境;随后,AirComp技术的引入实现了通信与计算的融合,极大提升了通信效率;当前,研究重心已转向系统层面的鲁棒性与异构性适应,包括针对非IID数据的收敛性分析、基于信道状态的自适应资源分配,以及结合RIS等新型无线技术以克服NLoS传播限制。核心瓶颈在于如何在无线信道的物理层约束与边缘设备的资源约束下,通过通信-计算-算法的联合设计,实现分布式模型的高效、鲁棒且隐私保护的聚合。

未来可能突破的方向包括:多天线服务器与局部CSIT的AirFL设计,通过轻量级近似技术和基于学习的设备选择降低复杂度,同时保持收敛保证;低信噪比与非相干聚合的鲁棒性提升,探索非相干聚合技术和联合学习编码/解码框架,实现更稳定的更新恢复;以及联邦学习与基础模型/智能体AI的融合,通过动态模块订阅和感知-记忆-推理-行动循环,实现低通信开销的个性化适配和抗干扰决策。对于进入该领域的研究者,最值得做的一件事是构建统一的无线信道模拟标准与硬件在环测试平台,以解决当前评测体系中缺乏公平比较基准的问题,从而为不同方法路线的优劣提供客观、可复现的实验证据。

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”。
9110 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!
2699 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)
1287 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)
11128 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。
944 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。
1319 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。