堆 50 层网络，参数就翻 50 倍——深度和参数量被死死绑在一起。深度均衡模型(DEQ)换一条路：只训练「单层变换」f_θ，把隐藏状态定义为它的不动点 z* = f_θ(z*, x)，用求根代替层层堆叠。本文用 numpy 从零实现有界 tanh 型 DEQ，在「单层算子反复作用」生成的 4186/1794 条合成时序上证明：DEQ 用 1705 个参数达到 R²=0.867，与 19345 个参数(11 倍)的 16 层独立深网精度相同(0.873)，而线性基线仅 0.701；不动点约 3–6 步即收敛，推理迭代越多模型越深。附完整 numpy 实现与四张真实计算图。