一句话定义：宽度（Width）指每一层能同时处理多少信息，通常体现为神经元数、通道数或隐藏维度（hidden size）；深度（Depth）指信息被逐层加工的轮数，也就是层数（layers）。两者合起来决定模型的“形状”，而参数量只决定“大小”。
打个比方：把神经网络想成一条加工流水线。深度是工序数量——原料先粗加工，再精修，再抛光，越往后的工序处理的特征越抽象：浅层认边缘和颜色，深层才认得出“猫”。宽度是每道工序同时能上多少工人、摆多少台机器：工位越宽，一层里能同时盯住的特征维度越多，一次变换能装下的信息越大。
加宽换的是“并行容量”。同一层里同时表达更多东西，矩阵乘法更大也更规整，对硬件友好、容易并行。但参数量大致随宽度平方增长，显存和通信往往先撑不住；而且变换的次数没变，抽象能力不一定跟着涨，收益会饱和。
加深换的是“复合次数”。每多一层就多一次非线性变换，特征可以被反复组合、抽象，也能传递更远的关系。但链子越长越难训：梯度容易消失或爆炸，还会出现退化——理论上更深的网络不该更差，实际却训不动，于是要靠残差连接（Residual Connection）、归一化（Normalization）这类技巧把路修通。另外深度是串行的，推理延迟随层数增加，时间和成本都跟着涨。
| 对比项 | 加宽 | 加深 |
|---|---|---|
| 改的是什么 | 每层的神经元/通道数 | 层数 |
| 换来什么 | 单层同时表达更多特征 | 更多次复合变换、更抽象的特征 |
| 计算特点 | 并行友好，矩阵大 | 串行链路，可做流水线切分 |
| 主要风险 | 显存与参数开销大，收益饱和 | 梯度不稳、退化、延迟高 |
| 常用手段 | 调隐藏维度、增加专家分支 | 残差连接、归一化、跳连 |
和相邻概念的区别：日常说的“模型多大”指参数量（Parameters），那是总量；宽度和深度是形状。同样参数量，可以又扁又宽，也可以又瘦又深，行为和成本差别很大。这也是为什么做缩放（Scaling）时，通常按比例同时调整两者，而不是只往一个方向堆。
对从业者的意义：宽深比是结构设计里的基本取舍。预算有限时，先判断瓶颈是“表达容量不够”还是“训练不稳、延迟太高”，再决定往哪个方向加。对普通职场人：这也是一个通用的组织比喻——加人是加宽，加审稿轮次是加深；两者收益都会递减，而且经常卡在别的地方。
具体某个模型该怎么配，以官方文档和技术报告为准。