当前位置:

首页 > 硬件相关 > 清华AIR与字节联手:只需0.58%的参数,AI推理能力竟然不降反升?

清华AIR与字节联手:只需0.58%的参数,AI推理能力竟然不降反升?

清华大学与字节跳动团队提出子空间对齐重连线(SAR)方法,仅需保留模型0.58%的参数即可维持99%以上推理能力,同时去除冗余更新、提升探索多样性,并缓解多领域训练中的能力压制问题。

本文目录

    这项研究来自清华大学人工智能产业研究院(AIR)与字节跳动Seed团队,成果于2026年7月以论文形式发表在arXiv上,编号为arXiv:2607.03065v1。

    不妨先做个思想实验。假设你是一位音乐老师,花了十年时间教会学生演奏各种乐器——钢琴、小提琴、吉他、长笛,每一种的基本功都刻在了骨子里。现在,你想让他们学会即兴演奏爵士乐。你有两条路:一是让他们从头开始接受全新训练,把原有的习惯打碎重建;二是帮他们发现,其实脑海中那些零散的技巧,只要换一种组合和搭配方式,爵士乐自然就流淌出来了。

    这篇论文,讲的就是第二种方法。只不过主角不是学生,而是大型语言模型——也就是像GPT、DeepSeek这类AI系统。研究团队发现,当我们用强化学习训练一个AI模型去提升推理能力时,真正起作用的那些改变,其实早就在模型的“记忆结构”里埋下了伏笔。他们把这个发现做成了一种后处理工具,取名为**子空间对齐重连线**(Subspace-Aligned Rewiring,简称SAR)。它的妙处在于:只需在训练完成后对模型做一次数学处理,不必重新训练,就能让模型表现更好、参数更精简、跨任务协同也更顺畅。

    一、先搞清楚问题所在:AI越训练,反而越“死板”?

    要理解这项研究的价值,得先看清当下AI训练面临的两个棘手困境。

    第一个困境叫“推理饱和”。当AI通过强化学习反复解数学题或写代码时,它会逐渐变得“专一”,越来越擅长用固定的几种套路拿高分,但同时也失去了灵活尝试不同方法的能力。用音乐来打比方,这个学生练到最后只会一种风格,给他一首从未听过的曲子,他就卡住了。在实际测试中,这种现象被称为“测试时扩展饱和”——哪怕你让AI多生成几十个答案再从中挑最好的,它能达到的上限也很有限,因为答案来来去去都是那几种套路。

    第二个困境叫“跨领域干扰”。如果你想让AI同时精通数学、编程、问答,最直觉的做法是把这三种任务混在一起训练。但麻烦在于,这三种能力的“训练方向”往往互相矛盾——提升数学能力的参数更新,可能会压制编程能力,反之亦然。就像一个乐手同时练古典和摇滚,两种风格的肌肉记忆会互相干扰,结果两种都练不精。

    这两个困境指向同一个核心问题:AI的训练过程就像一个黑箱,我们很难精确控制“哪部分参数更新是真正有用的,哪部分是噪音甚至有害的”。研究团队由此提出了一个关键问题——能不能找到一个坐标系,把“真正有用的推理能力更新”从“无关甚至有害的更新”中分离出来?

    二、乐谱里藏着的秘密:模型的“原子技能”

    研究团队给出的答案,从一种叫做奇异值分解(SVD)的数学工具开始。这个名字听起来很学术,但背后的思想其实非常直观。

    每一个AI模型的神经网络层,本质上就是一张巨大的数字表格(数学上叫矩阵)。当输入信息进来时,这张表格决定了模型如何将其变换成输出信息。奇异值分解这个工具,能把这张表格拆解成三部分:一组“输入方向”(右奇异向量),一组“输出方向”(左奇异向量),以及连接这两组方向的“权重数字”(奇异值)。

    用音乐的比喻来理解:右奇异向量是“听到什么乐器声音”的感知器,左奇异向量是“要输出什么音乐动作”的执行器,而奇异值则是把“听到A乐器声音”和“做出A演奏动作”连接起来的一对一映射。一个训练好的基础模型,它这套“乐器感知器-演奏动作”体系,就是积累的“原子技能库”。

    在这套框架里,原始的矩阵只允许“一对一”的简单映射:听到钢琴声,输出钢琴动作;听到小提琴声,输出小提琴动作。每个技能是孤立的,互不相关。

    但爵士即兴演奏需要的是“多对一”的组合:同时感知到钢琴节奏、贝斯线条、鼓点,然后综合判断,输出一个和声织体。这种“多个输入方向共同激活一个输出方向”的能力,正是复杂推理的核心。

    研究团队发现,当我们用强化学习训练AI之后,模型参数的变化,放在这套坐标系里看,恰好体现为一个“重连线矩阵”(Rewiring Matrix,用字母M表示)。这个矩阵不再是单纯的对角线,而是充满了丰富的非对角元素——这些非对角元素,正是“把原本孤立的技能方向重新连线、让它们协同工作”的骨架。

    矩阵M中的对角线元素,只是把某个原有技能放大或缩小,并不会创造新的联系;而非对角元素,才是让模型能够“把多个前提条件综合成一个结论”的推理机制。这与人类思维中的关系推理高度相似——不是简单地“看到X想到Y”,而是“同时看到X、Y、Z三个线索,综合推断出结论W”。

    三、SAR是怎么工作的:一次精准的“乐谱精炼”

    基于以上发现,SAR方法的操作逻辑相当简洁,可以理解为一次“乐谱精炼”。

    训练完成后,我们拿到的是完整的强化学习更新量ΔW(原始的“全套新乐谱”)。这份乐谱里有真正有价值的内容,但也掺杂了大量冗余的、甚至带有干扰性的音符。SAR做的事情,就是用基础模型的奇异向量坐标系作为滤网,把这份更新量过滤一遍:只保留那些“在基础模型原有坐标系内可以表达的部分”,丢弃那些“跑出了原有坐标系之外的部分”。

    具体操作分为六步。第一步,对基础模型的权重矩阵做奇异值分解,得到左右奇异向量U和V。第二步,计算强化学习前后的参数差ΔW。第三步,从ΔW中提取“排名最靠前的k个低秩成分”,相当于先粗筛一遍,只保留最主要的变化方向。第四步,把这个低秩成分投影到基础模型的坐标系里,得到重连线矩阵M。第五步,用U和M以及V重建出精炼后的更新量ΔW*。第六步,把ΔW*加回基础模型,得到SAR处理后的模型。

    整个过程不需要任何新的训练,不需要额外数据,不需要修改原有的训练目标,计算量也相当低。它只是一次针对已训练参数的数学后处理。

    四、核心发现一:用0.58%的参数,保住99%以上的推理能力

    这一部分的实验结果,堪称整篇论文最令人印象深刻的地方。

    研究团队在多个不同大小的模型上测试了SAR的效果,包括1.5B参数的DeepScaleR、4B参数的POLARIS、7B参数的OLMo-3.1-7B以及32B参数的OLMo-3.1-32B-Think。测评基准选用的是AIME数学竞赛题(2024和2025年版本),这是目前公认对推理能力要求极高的测试集。

    最核心的发现是:对于1.5B的DeepScaleR,只需要保留基础模型顶部1%的奇异向量坐标(对应的重连线矩阵M只占模型总参数量的约0.58%),就能让SAR处理后的模型在数学推理上与完整强化学习模型几乎持平。对于32B的OLMo-3.1-32B-Think,同样只需1%的奇异坐标,对应约0.64%的参数量,就能保住原始强化学习训练带来的推理增益。4B的POLARIS稍微需要多一点,需要保留10%的坐标,但仍然远比完整参数少得多。

    用具体数字来说:在AIME 2024上,1.5B的DeepScaleR完整强化学习版本A VG@32(每道题生成32个答案取平均)是40.31%,而SAR 1%版本是40.21%,差距几乎可以忽略不计;Pass@32(32个答案里至少一个正确的概率)两者都是76.67%,完全一致。

    对于从零基础出发、不是专门为数学优化的OLMo-3-7B-Base,情况稍有不同——它需要30%的奇异坐标才能充分恢复强化学习带来的推理能力。研究团队的解释也很合理:如果基础模型本身已经“练过基本功”,那强化学习只需要调整“连线方式”,一小部分坐标就够了;如果基础模型的“原子技能库”相对薄弱,强化学习需要动用更多坐标来做出更大范围的重连线。

    这个发现意味着什么?意味着强化学习带来的真正有用的推理能力提升,并不是均匀分散在所有参数里的,而是高度集中在基础模型的少数几个奇异坐标上。大量的参数更新,对于最终的推理表现来说,其实是冗余甚至有噪声的。

    五、核心发现二:去掉噪声之后,AI反而能“探索”得更远

    这个发现在某种程度上更让人意外:SAR处理后的模型,在高采样数量下的表现,竟然超过了完整的强化学习模型。

    研究团队测量的指标叫做Pass@k——给每道题生成k个答案,只要有一个答案正确就算通过。k越大,对模型“探索能力”(能不能生成多样化的正确答案路径)的要求就越高。

    实验结果显示:在AIME 2024上,完整的DeepScaleR强化学习模型,随着k增大,Pass@k的提升速度会越来越慢,出现明显的“探索饱和”。而SAR处理后的模型,虽然在k=1时与完整模型几乎一样(Pass@1都约为40%),但随着k增大,它的提升速度更快——到k=2时就超过完整模型,并且在更大的k值下保持领先。在256次采样的覆盖率测试中,SAR模型能解决AIME 2024中26道题,而完整强化学习模型只能解决25道。

    32B的OLMo-3.1-32B-Think也呈现完全相同的规律:SAR在k=4时越过完整强化学习模型的Pass@k曲线,之后持续领先。

    为什么会这样?研究团队给出的解释是:完整的强化学习更新中,除了“真正的推理重连线”之外,还包含一些残差方向——这些方向虽然没有直接损害单次准确率,但会让模型倾向于反复生成相似的答案路径,从而压缩了有效的探索空间。SAR去掉了这些残差方向,让模型保留了原始的多样性,因此在多次采样时能够覆盖更多不同的解题路径。

    六、核心发现三:代码能力被“压住”了,SAR帮它重见天日

    研究团队还将SAR应用到了混合领域强化学习(Mix-RL)场景,结果揭示了一个有趣的现象:多领域同时训练时,某些能力会被其他领域的训练“压制”,而SAR能把这些被压制的能力释放出来。

    实验对象是OLMo-3.1-32B-Think,这个模型是在数学推理、编程、指令跟随、对话等多个领域同时进行强化学习训练的。理论上,多领域联合训练应该让模型在所有领域都表现良好,但实际上,由于不同领域的参数更新方向存在冲突,往往会有此消彼长的现象。

    SAR只保留了该模型奇异坐标系里前1%的重连线部分。结果令人惊喜:在编程领域,SAR处理后的模型在LiveCodeBench v5测试集上从67.61%提升到69.09%,在v6测试集上从64.30%提升到65.25%——这是在完整强化学习训练已经完成的基础上,仅通过后处理就实现的提升,说明原本的混合训练中,编程能力确实被其他领域的训练方向压制了一部分。与此同时,数学推理能力基本保持不变,A VG@32误差在1%以内;指令跟随能力(IFEval测试)从92.42%微降至92.05%,几乎没有损失。更关键的是,数学探索能力明显增强:AIME 2025的Pass@16从88.33%提升到91.71%。

    用刚才的音乐比喻来说:这个学生被要求同时练古典、摇滚和爵士,结果爵士被另外两种风格“盖住”了。SAR做的事情,就是帮他把三种风格里共同的、最基础的音乐感知能力提炼出来,去掉三种风格之间互相干扰的部分,让他在爵士领域反而能发挥得更好,同时古典和摇滚也没有退步。

    七、核心发现四:把数学专家和编程专家“合体”,结果超越了两个单独专家

    最后一个实验场景,最能体现SAR在实际应用中的潜力:把两个分别在不同领域训练的专家模型合并成一个,能不能让合并后的模型在两个领域都表现优异?

    传统的模型合并方法(如Task Arithmetic、TIES、DARE+TIES),大体上是把两个模型的参数更新量按照某种规则加权叠加。但问题在于,两个模型的参数更新量方向往往不兼容,简单叠加会引发干扰,导致合并后的模型反而不如其中一个单独的专家。

    研究团队在两个规模下做了测试。在1.5B规模(基础模型DeepSeek-Distill-Qwen-1.5B)上,数学专家是DeepScaleR,编程专家是Archer-Code。在14B规模(基础模型DeepSeek-Distill-Qwen-14B)上,数学专家是OpenReasoner-Zero,编程专家是DeepCoder。

    SAR的做法是:先对数学专家的参数更新量做奇异坐标投影,提取出紧凑的数学推理重连线矩阵M,然后把这个精炼后的更新量叠加到编程专家上。

    结果在两个规模上都呈现出一个规律:SAR合并后的模型,在数学和编程两个领域的主要指标上,都超过了两个单独专家中的最佳者。在1.5B规模上,数学上的AIME A VG@32达到43.44%,超过了数学专家DeepScaleR的40.31%;编程上的LiveCodeBench A VG@8达到32.25%,超过了编程专家Archer-Code的31.80%。在14B规模上,SAR合并模型的数学表现(74.38%)同样超过数学专家(74.27%),编程表现(63.40%)超过编程专家(61.00%)。

    反观传统方法Task Arithmetic,它直接把两个完整的参数更新量叠加,结果数学能力大幅下滑(1.5B规模下AIME A VG@32只有36.25%,Pass@32降到63.33%),说明未经精炼的参数更新量之间存在严重冲突。TIES和DARE+TIES有所改善,但在大多数指标上仍不及SAR。

    用音乐比喻来说:传统方法是把古典乐手和爵士乐手的全套演奏习惯强行叠加,结果两种风格互相干扰,谁都演奏不好。SAR则是先从古典乐手的演奏习惯里提炼出“最核心的音乐感知能力”,再把这部分精华叠加给爵士乐手——结果这位乐手不仅保住了爵士演奏水平,连古典曲目也能弹得更好了。

    八、SAR什么时候最有效,什么时候会遇到边界?

    研究团队也坦诚地讨论了SAR不是万能的情况,这让整个研究的评估更加可信。

    SAR最有效的场景,是当强化学习的作用主要是“激发和重组基础模型里本来就有的能力”时。在这种情况下,奇异坐标系里原有的“原子技能”已经足够,强化学习只需要改变它们之间的连线方式,SAR就能精确提取这部分改变。

    但有几种情况,SAR的效果会打折扣。第一种是训练时间特别长的深度优化场景——研究团队测试了一个训练超过4000步的JustRL模型,发现SAR投影后确实能恢复约43%的AIME 2024得分(接近DeepScaleR水平),但无法完全追上这个模型最终约52%的得分。这说明在长时间优化后,有一部分参数变化已经超出了“重连线”的范畴,开始真正改写基础模型的知识结构,这部分SAR就无法捕捉了。

    第二种是直接从基础模型出发做代码强化学习的场景。代码能力的习得,不只是推理能力的重组,还涉及代码语法规范、函数接口格式、标准输入输出处理等“执行协议”,这些在基础模型里并没有完善的基础。SAR对这类情况的压缩效果明显不如数学推理场景。但有一个有趣的发现:如果先做代码监督微调(SFT)建立基础,再做强化学习,此时强化学习的更新就变得与奇异坐标系更加兼容,SAR也能有效提炼。

    第三种是使用PPO等外部价值模型做密集奖励强化学习的场景。外部价值模型带来的梯度方向,与基础模型奇异坐标系的对齐程度不如稀疏结果奖励信号,因此SAR在这类训练方式上的效果也相对弱一些。

    九、消融实验:证明“精炼”的价值不只是“压缩”

    为了排除“SAR的效果只是因为参数更少,更不容易过拟合”这一种解释,研究团队设计了一系列对比实验,直接戳穿了这个疑虑。

    第一个对比是“不投影控制”——用同样的低秩提取,但不把提取出来的更新量投影回基础模型的奇异坐标系,直接加回去。结果显示:在单次准确率(Pass@1)上,不投影控制与SAR相近;但在高采样数量下的探索表现(Pass@32及以上)上,不投影控制明显比SAR差,并且在跨领域合并实验里,不投影版本虽然保住了编程能力,但数学推理大幅下滑,而SAR在两个领域都提升了。

    第二个对比是“随机投影控制”——用随机生成的奇异向量替代基础模型的真实奇异向量做投影。结果是Pass@1虽然比基础模型稍好,但远不如SAR,说明“用基础模型真实的奇异向量坐标”这一点不可或缺,不能换成任意低维坐标系。

    第三个和第四个对比,是只保留重连线矩阵M的对角元素(只做“技能放大缩小”),或者只保留非对角元素(只做“跨技能连线”)。只保留对角元素时,Pass@1大幅下滑(30.73% vs 完整强化学习的40.31%),说明单纯调整技能权重并不够。只保留非对角元素时,Pass@1能恢复到38.54%,但Pass@32下降,说明跨技能连线承担了推理的主要信号,但配合对角调整效果更完整。

    这些对比实验共同指向一个结论:SAR的效果来自于“用基础模型的真实奇异坐标系做精准投影”这个核心机制,而非简单的参数压缩或低秩近似。

    十、在实际应用场景中的表现:代码智能体基准测试

    研究团队还在一个内部(in-house)模型上做了实际代码智能体场景的测试,进一步验证SAR的实用价值。他们在7个公开的代码智能体基准测试上对比了基线模型和SAR处理后的模型,测试类型涵盖了GitHub问题修复(SWE-Bench系列)、多语言代码修复(MSWE-Bench)和命令行终端任务(TerminalBench)。

    结果是7个基准中有6个得到了提升,平均提升幅度为+2.52%,最大提升出现在TerminalBench 2.0上,提升幅度高达+25.10%(从0.194到0.243)。只有MSWE-Bench的CodeAct智能体版本出现了微小下滑(-0.33%),几乎可以视为波动范围内。这个结果说明SAR不仅在学术数学测试集上有效,在实际的工程应用场景中同样能发挥作用。

    说到底,这项研究告诉我们一件很有意思的事:AI的推理能力,或许并没有我们以为的那样神秘。它很大程度上是把基础模型里本来就存在的“技能碎片”重新连接组合的过程。而强化学习整个训练过程所产生的大量参数变化中,真正在做这件有意义的事情的,只是其中极小的一部分——最少只有0.58%的参数。其余的大部分变化,要么是冗余的,要么是在不同任务领域之间互相干扰的噪声。

    这意味着我们或许不需要用那么大的代价去追求AI的能力提升。一次精准的“后处理精炼”,不改变训练过程,不需要新数据,在几分钟内就能完成,却能让模型表现得更好、探索能力更强、跨领域兼容性更高。这为未来构建多能力AI系统提供了一条成本更低的路径:先分别训练各个领域的专家模型,再通过SAR把每个专家的精炼推理核心提取出来,合并成一个在多个领域都表现优异的统一模型。

    Q&A

    Q1:SAR处理之后的模型参数变少了,会不会导致某些能力变弱?

    这是一个很关键的疑问。实验结果显示,SAR保留的是基础模型奇异坐标系内的精炼更新部分,而不是随机删减参数,所以它的效果并不等同于“压缩”。在数学推理上,SAR处理后的模型保留了超过99%的强化学习训练增益;在混合领域场景中,数学和指令跟随能力几乎没有损失,编程能力反而提升了。只有在基础模型原本不具备相关技能的领域(如直接从零做代码强化学习),SAR的效果才会相对有限。

    Q2:SAR和LoRA这类低秩适配方法有什么本质区别?

    LoRA是在训练阶段把参数更新限制在低秩结构里,相当于在练琴时就只练特定的指法组合。SAR则是在训练完成之后,把已经完成的全量训练的参数变化投影到基础模型的奇异坐标系里——它不改变训练过程,而是对训练结果做后处理。更重要的是,SAR提炼出来的是“与基础模型坐标系对齐的低秩更新”,而不是任意低维结构,这让它在探索能力和跨领域迁移上都优于单纯的低秩提取。

    Q3:SAR能用在中文大模型或者其他语言的模型上吗?

    从方法本身来看,SAR对语言没有假设,它依赖的只是模型权重矩阵的奇异值分解,这在任何语言的Transformer架构模型上都可以做。研究团队测试的模型包括基于Qwen(千问)架构的DeepSeek系列和OLMo系列,其中Qwen本身就是一个中文能力很强的模型家族。所以理论上,SAR完全可以应用于中文大模型,只要该模型经历了强化学习的后训练过程。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    硬件相关
    相关文章 更多
    华盛顿大学研究发现
    华盛顿大学研究发现"乱码前缀"让AI推理能力大幅提升

    华盛顿大学研究发现,在AI提示词前添加一段无意义的拉丁文“乱码”(LOPE方法),能打破其思维定式,提升推理能力。该方法通过适度陌生的前缀引导AI探索新思路,且不影响原题理解。实验在多个规模模型上验证了效果,并指出有效扰动需使用低困惑度的非英语文本以避免语义干扰。

    QQ影音播放高清视频卡顿怎么办
    QQ影音播放高清视频卡顿怎么办

    本地文件卡是解码问题:开硬件加速、关画面增强、电源设计高性能;4K 高码率对老机器仍有硬门槛。

    QQ影音如何开启硬件加速提升播放流畅度
    QQ影音如何开启硬件加速提升播放流畅度

    设置 → 播放或图像设置里勾选硬件加速,重新打开视频。开启后看 CPU 降、GPU 视频解码升才算生效;花屏就关掉或更新驱动。

    llama.cpp b12489、b12490、b12491、b12492、b12493、b12494、b12496、b12497、b12498预发布说明
    llama.cpp b12489、b12490、b12491、b12492、b12493、b12494、b12496、b12497、b12498预发布说明

    llama.cpp b12489、b12490、b12491、b12492、b12493、b12494、b12496、b12497、b12498 均为预发布构建,分别涉及服务器、语音模型及特定后端;适用范围须按模型、硬件和请求条件区分。

    MiniMax-H3-Image与DiffSynth-Studio 2.2.2文档配方的硬件条件怎样区分
    MiniMax-H3-Image与DiffSynth-Studio 2.2.2文档配方的硬件条件怎样区分

    MiniMax-H3-Image新增DiffSynth-Studio文档推荐后,配置选择应围绕具体推理配方和独立训练流程展开。文档中的24GB GPU方案分别配合32GB或8GB主机RAM,所用量化、CPU或磁盘卸载方式不同;新增文档入口本身没有发布模型新权重或标注一个新的框架版本。

    Ollama v0.40.17-rc0更新该看哪些条件,MLX、Vulkan与CLI改进如何对应
    Ollama v0.40.17-rc0更新该看哪些条件,MLX、Vulkan与CLI改进如何对应

    识别Ollama完整rc0预发布标签,区分MLX并发、Vulkan集成显卡mmap、llama.cpp b12257与CLI集成更新边界。

    宏基笔记本开机没反应怎么办?电源灯亮 黑屏及不通电的解决方法
    宏基笔记本开机没反应怎么办?电源灯亮 黑屏及不通电的解决方法

    宏基笔记本遇到开机没反应、电源灯亮但屏幕黑屏,或者按下电源键完全无反应的情况该怎么办?本文通过界面与状态指示灯的观察,分步骤介绍静电释放、内存重插及外接显示器测试等实用方法,助你自行解决常见启动故障。

    hp笔记本开机没反应电源键和大小写键亮怎么回事
    hp笔记本开机没反应电源键和大小写键亮怎么回事

    惠普笔记本开机时电源键和大小写锁定键亮起,但屏幕无反应?这通常是嵌入式控制器(EC)逻辑错误或静电干扰所致。本文详解如何通过移除外设、长按电源键进行硬件复位来恢复正常启动,并提供BIOS恢复及进一步硬件检测的建议。

    电脑黑屏显卡风扇狂转怎么回事?原因与解决方法
    电脑黑屏显卡风扇狂转怎么回事?原因与解决方法

    遇到电脑黑屏伴随显卡风扇狂转?这往往是显卡过热保护、供电不足或驱动崩溃的信号。本文详解如何通过观察指示灯、重置驱动、检查线缆及清理灰尘来解决该问题,避免盲目更换硬件。

    惠普笔记本开机没反应怎么办?电源灯不亮 闪烁及黑屏解决方法
    惠普笔记本开机没反应怎么办?电源灯不亮 闪烁及黑屏解决方法

    惠普笔记本无法开机、电源灯异常或屏幕黑屏?本文详解通过移除外设、执行硬重置(静电释放)、检查适配器及内存重插等步骤,快速定位并解决常见启动故障。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。