CliffordNet：几何代数即所需的一切

现代计算机视觉架构从CNN到Transformer，主要依赖于启发式模块的堆叠：空间混合器（Attention/Conv）后接通道混合器（FFN）。本文通过回归数学原理，挑战这一范式。我们提出Clifford代数网络（CAN），亦称CliffordNet，一种纯基于几何代数的视觉骨架。无需为混合和记忆分别设计模块，我们基于Clifford几何积（$uv = u \cdot v + u \wedge v$）推导出统一的交互机制。该运算通过广义内积捕获特征一致性，通过 exterior wedge 积捕获结构变异，确保几何积的代数完备性。通过高效稀疏滚动机制实现，时间复杂度为线性 $O(N)$。我们的模型发现出一种惊人的涌现属性：几何交互如此表示稠密，以致标准前馈网络（FFN）变得冗余。实验上，CliffordNet确立了新的Pareto前沿：Nano变体在CIFAR-100上达到77.82%准确率，仅使用140万参数，基本匹配ResNet-18（1120万参数），参数减少8倍；Lite变体（260万参数）在79.05%准确率下创下微型模型SOTA。我们的结果表明，仅通过严格的、在代数上完备的局部交互，即可从全局理解中涌现出来，这可能标志着几何即所需的范式转变。代码已公开于https://github.com/ParaMind2025/CAN。