DeepSeek 要发大招了，梁文锋署名新论文！暴力优化AI架构

　　新智元报道

　　编辑：编辑部

　　【新智元导读】2026新年第一天，DeepSeek揭晓了梁文锋署名的重磅新论文，提出了一种名为「mHC（流形约束超毗连）」的新架构，在27B参数模子上，仅增添约6.7%的训练时间开销，即可实现显著性能提升。

　　刚刚，DeepSeek送上2026年新年第一个王炸。

　　这次的立异是，mHC（流形约束超毗连）新架构。

　　问题：mHC：Manifold-Constrained Hyper-Connections

　　链接：https://arxiv.org/abs/2512.24880

　　在这篇论文中，DeepSeek提出了流形约束超毗连（mHC），将矩阵投影到约束流形上优化残差毗连空间，从而确保稳固性，彻底倾覆了古板AI架构认知——

　　可以扩大残差流通道宽度（residual stream width），而在算力和内存上的价钱却微乎其微。

　　图1：残差毗连范式示意图

　　继Hyper-Connections（HC）开发「残差毗连宽度可扩展」蹊径之后，mHC直接把这一思绪推上适用化的快车道。

　　DeepSeek这次直击AI痛点，给偕行上了一课！

　　值得一提的是，这次梁文锋署名，但解振达、韦毅轩、Huanqi Cao为焦点孝顺者，解振达为通讯作者。

　　DeepSeek，或敲响ResNet丧钟

　　这简直是为「模子优化玩家」量身打造的王牌秘方。

　　已往，超毗连（hyper-connections）更多只是学术圈的小众实验。

　　而现在，DeepSeek直接把它升级为基础架构的焦点设计要素。

　　这也正是拥趸一直以来对DeepSeek的期待：数学上的洞察力+硬件层面的极致优化。

　　顶级大语言模子（LLM）中，ResNet结构或许即将被镌汰。

　　事实，残差流通道宽度一直是扩展模子的「烦人瓶颈」。

　　这波操作，也再次展现了DeepSeek典范的气概：对偕行的温顺降维攻击——

　　你们两年时间都在打磨微结构，调解DS-MoE？挺可爱哈。

　　来看看我们怎么玩：把一个理论上看起来还不敷成熟的高级原语，直接做实，随手解锁游戏下一关。

　　他们在论文中写道：「我们的内部大规模训练实验进一步验证了mHC在大规模应用中的有用性。」

　　这句话在DeepSeek的原生希罕注重力（Natively trainable Sparse Attention，NAS）那篇论文里可没有。

　　在27B模子的系统级基准测试效果中，新架构mHC在绝大大都基准测试中一连逾越基线模子并优于HC，这证实其在大规模预训练中的有用性。

　　换句话说，DeepSeek信心十足，不怕偕行知道自己的「杀招」。

　　这给了DeepSeek的铁粉Teortaxes很大信心，他有九成掌握：mHC会进入DeepSeek V4。

　　焦点要领

　　Manifold-Constrained Hyper-Connections (mHC)

　　这个要领的要害目的，就是在Hyper-Connections的拓扑设计下恢复身份映射属性。这样，就可以在大规模训练与现实基础模子使命中体现现实价值。

　　mHC与古板残差毗连和HC的基础差别在于：古板残差毗连只保存简朴的输入 + 输出形式（稳固但表达受限）；Hyper-Connections (HC)强化毗连能力，但牺牲了稳固性与效率。

　　而mHC的思绪是：将Hyper-Connections的参数空间约束到特定的流形（manifold）上，以恢复身份映射结构。

　　手艺细节

　　受恒等映射原则的启发，mHC的焦点头脑是在一个特定流形上对残差映

　　举行约束。只管原始的恒等映射通过强制来包管训练稳固性，但这种做法从基础上阻断了残差流内部的信息交互，而这种交互关于充分验展多流（multi-stream）架构的潜力至关主要。

　　因此，作者提出将残差映射投影到一个既能维持跨层信号撒播稳固性、又能增进残差流之间相互作用的流形上，从而在包管稳固性的同时保存模子的表达能力。

　　为此，他们将约束为双随机矩阵，即矩阵元素非负，且每一行与每一列的元素之和均为1。

　　形式化地，记为双随机矩阵所组成的流形（亦称Birkhoff多面体），将约束在其投影上，其界说为：

　　需要注重的是，当n=1时，双随机条件会退化为标量1，从而恢复为原始的恒等映射。选择双随机性能够带来若干对大规模模子训练具有主要意义的严酷理论性子：

　　1.保范性：双随机矩阵的谱范数有上界1，即。

　　这意味着该可学习映射是非扩张的，从而能够有用缓解梯度爆炸问题。

　　2.组合闭包性：

　　双随机矩阵荟萃在矩阵乘法下是关闭的。这包管了跨越多层的复合残差映射仍然是双随机的，从而在整个模子深度规模内坚持稳固性。

　　3.通过Birkhoff多面体的几何诠释：

　　荟萃组成Birkhoff多面体，即置换矩阵荟萃的凸包。

　　这提供了清晰的几何直观：残差映射可以被看作是若干置换的凸组合。

　　从数学上看，此类矩阵的重复作用会枯燥地增强差别信息流之间的混淆水平，从而有用地充当一种鲁棒的特征融合机制。

　　参数化与流形投影

　　在本节中，作者详细先容了mHC中、以及的盘算历程。

　　给定第l层的输入隐藏矩阵，首先将其展平成向量，以保存完整的上下文信息。随后，遵照原始HC的建模方法，获得动态映射和静态映射，详细如下：

　　随后，通过如下方法获得最终知足约束的映射：

　　其中，体现Sigmoid函数。

　　Sinkhorn–Knopp(?) 算子首先通过指数运算包管所有元素为正，然后执行交替的迭代归一化历程，使矩阵的行和列划分归一到1。

　　详细而言，以正矩阵作为初始值，归一化迭代历程为：

　　随着迭代次数增添，其时，该历程收敛到一个双随机矩阵。

　　在实验中，取作为一个适用的近似值。

　　高效的基础设施设计

　　通过一系列严酷的工程优化，作者乐成将mHC（取n=4）安排到大规模模子中，训练开销仅增添约6.7%。

　　内核融合

　　作者视察到，在mHC中，当对高维隐藏状态举行操作时，RMSNorm会带来显著的延迟。

　　为此，他们将「除以范数」的操作重新排序，使其爆发在矩阵乘法之后。该优化在数学上是等价的，但在工程实现上显著提升了效率。

　　别的，我们接纳混淆精度战略，在不牺牲盘算速率的条件下最大化数值精度，并将多个具有共享内存会见模式的算子融合为统一的盘算内核，以降低内存带宽瓶颈。

　　基于公式（10）至（13）中给出的输入与参数设置，作者实现了三个专用的 mHC盘算内核。

　　使用上述内核盘算获得的系数，他们又引入了两个特另外盘算内核来应用这些映射。

　　该框架能够简化重大盘算流程内核的实现，并在较小工程价钱下充分验展内存带宽的潜力。

　　重盘算

　　n路残差结构在训练历程中会引入显著的内存开销。

　　为缓解这一问题，作者在前向撒播竣事后扬弃mHC内核爆发的中心激活，并在反向撒播阶段通过重新执行mHC内核（不包括盘算量较大的层函数F）来即时重盘算这些激活。

　　因此，关于一连的L_r个层组成的一个�？�，只需存储第一层的输入。

　　在忽略轻量级系数、同时思量到F中的pre-norm开销后，表3总结了在反向撒播中需要保存的中心激活以及在L_r个一连层中被重盘算的瞬时激活。

　　随后，他们通过最小化与L_r对应的总内存占用来确定最优的块巨细。

　　DualPipe中的通讯重叠

　　在大规模训练中，流水线并行（pipeline parallelism）是缓解参数与梯度内存占用的标准实践。

　　详细而言，他们接纳了DualPipe调理战略，该战略能够有用地重叠跨节点（scale-out）的互连通讯流量，例如专家并行与流水线并行中的通讯开销。

　　然而，与单流（single-stream）设计相比，mHC中提出的n-流残差结构会在流水线阶段之间引入显著的通讯延迟。

　　别的，在阶段界线处，对所有Lr层重新盘算mHC内核也会带来不可忽略的盘算开销。为相识决这些瓶颈，作者对DualPipe调理举行了扩展（见下图），以在流水线阶段界线实现更高效的通讯与盘算重叠。

　　原文图4：mHC的通讯–盘算重叠机制。

　　详细而言，为阻止壅闭通讯流，他们MLP（即FFN）层的内核安排在一个自力的高优先级盘算流上执行。

　　同时，在注重力层中，他们刻意阻止使用长时间运行的长期化内核（persistent kernels），以避免爆发长时间的停留。

　　该设计允许对已重叠的注重力盘算举行抢占，从而在坚持盘算装备处置惩罚单位高使用率的同时，实现越发无邪的调理。

　　别的，重盘算历程被与流水线通讯依赖解耦，这是由于每个阶段的初始激活x0l已经被缓保存外地。

　　实验效果

　　DeepSeek团队首先磨练了27B模子的训练稳固性和收敛性。

　　如下图（a）所示，mHC有用缓解了在HC中视察到的训练不稳固性，相比基线最终降低了0.021的损失。

　　下图(b)中的梯度范数剖析，进一步证实了这种改善的稳固性，批注mHC展现出显著优于HC的，稳固性与基线相当。

　　原文图5：流形约束超毗连（mHC）的训练稳固性，展示了 (a) mHC与HC相关于基线的绝对逊ю失差别，以及 (b) 三种要领的梯度范数。所有实验均接纳27B模子。

　　在多样化基准测试集上，mHC周全提升了下游性能，在所有使命上一连逾越基线，并在大大都使命上优于HC。

　　值得注重的是，与HC相比，mHC进一步增强了模子的推理能力，在BBH上实现了2.1%的性能提升，在DROP上实现了2.3%的提升。

　　这证实其在大规模预训练中的有用性。

　　原文表4：27B模子的系统级基准测试效果。本表较量了基线、HC和mHC在8个差别下游基准测试中的零样本和少样天性能。

　　为了评估要领的扩展性，DeepSeek报告了mHC在差别规模下相比基线的相对损失刷新。

　　效果批注，纵然在更高的盘算预算下，mHC依然稳健坚持性能优势，仅稍微衰减。

　　别的，研究团队考察了训练历程中的动态转变，展示了3B模子的token扩展曲线。

　　综合来看，这些发明验证了mHC在大规模场景下的有用性。这一结论获得了我们内部大规模训练实验的进一步证实。

　　原文图6：mHC相比基线的扩展特征。 (a) 盘算扩展曲线：实线展示了差别盘算预算下的性能差别。每个点代表模子巨细和数据集巨细的特定盘算最优设置，从3B和9B扩展到27B参数。(b) Token扩展曲线：3B模子在训练时代的轨迹。每个点代表模子在差别训练token数下的性能。

　　理想情形下，单层映射应知足双随机约束，即前向信号增益与后向梯度增益均即是1。

　　然而，为提升盘算效率，现实实现中使用的Sinkhorn-Knopp算法必需限制迭代次数，这次实验中为20次。

　　因此，如下图(a)所示，后向梯度增益会略微偏离1。在下图(b)所示的复合映射情形下，偏离有所增添但仍坚持有界，最大值约为1.6。

　　原文图7：流形约束超毗连（mHC）的撒播稳固性。本图展示了27B模子中 (a) 单层映射与 (b) 复合映射的撒播动态

　　值得注重的是，与HC中近3000的最大增益幅度相比，mHC将其降低了三个数目级。

　　这些效果批注，mHC相比HC显著增强了撒播稳固性，确保了前向信号与后向梯度的稳固流动。

　　别的，团队视察到，关于HC，当最大增益较大时，其他值也往往显著，这批注所有撒播路径普遍保存不稳固性。相比之下，mHC始终爆发稳固的效果。

　　原文图8：可学习映射的可视化，展示了HC（第一行）与mHC（第二行）的代表性单层及复合映射。每个矩阵通过对选定序列内所有token取平均盘算得出。y轴和x轴上的标签划分体现前向信号增益（行和）与后向梯度增益（列和）。

　　参考资料：

　　https://arxiv.org/abs/2512.24880

　　https://x.com/teortaxesTex/status/2006628917428334631

《国产人人操人人插人人射》，《Q8X2R7L1T4J5M9B6W3》

小伸进天涯

“日韩”

啊〜好痛〜嗯〜轻一点韩国

……

01月04日

“欧美人成视频WWW”老师在教室装了一台叫号器

↓↓↓

为爱所困2024，是男童武术俱乐部死亡案将开庭

01月04日，春耕正当时厦门掀起太空种植热潮，青山翔无码成人AV在线观看，亚欧日韩毛片二区，美女高吹网站，黃色成人大片爱恋视频免费

01月04日，众行致远｜如何“读懂中国”？习近平主席这样阐释，火影奖励网站2.8.6，欧美老人乱轮，尤尔哈2b的爆乳约炮裸装露胸不穿衣服，美女草逼

01月04日，深圳诠释无障碍城市用心铺就便捷路，工藤拉拉电影免费观看，客人一级毛片操操操，久久操，精品综合页

01月04日，大天鹅也有“方言”？听听鸟类专家的分析，福利片在线，人成在线免费，欧美视频精选一区，黑人第一页

01月04日，网红涌向联合国“开会”虚假精英人设注定翻车，久久一区，日逼无码视频，草操视频，日本手机在线视频

01月04日，广西桂林：山水间奏响疗愈乐章，亚洲色欧美色图，大吊网站，a片网在线观看，久久久精品日本一区二区三区

01月04日，青年的朋友习近平，99黄色精品视频，成人在线观看喷潮数学，99在线视频日本中文字幕2020，色七七九九

01月04日，中国日报漫画：做美国的敌人是危险的，做美国的盟友是致命的，亚洲福利在线精品一区，岛国性爱视频在线，男女在床做黄app免费大全，国产在线第1

监制：邓金木

策划：赖晗

主创：唐征宇林箴贺陈佛烘颜亦阳陈林韵

编辑：王家菁、段圣祺

k1体育麻将胡了

下载APP

所有

DeepSeek 要发大招了，梁文锋署名新论文！暴力优化AI架构

热门视频