下一代模型呼之欲出？！DeepSeek的新年礼物mHC是个啥？
为AI模型带来了“智能稳定器”，在保持模型宽度的同时，通过“双随机矩阵”的流形约束，解决了超连接（HC）不稳定性问题，确保模型训练稳健，配合算子融合等优化，mHC在MATH、GSM8K等任务上表现优异。
mHC将有助于加深对拓扑架构设计的理解，并为基础模型的演进指明有前景的方向，不少开发者认为，这一趋势进一步强化了人工智能基础设施的核心约束从峰值浮点运算数（FLOPs）向内存带宽、互连容量与系统软件成熟度的平衡转移的大方向。
网友们纷纷期待着DeepSeek下一代开源模型的推出，猜测会不会赶在2026年春节之际？就像2025年春节前夕的R1一样再次席卷整个AI圈。
近年来，以超连接（HC）为代表的研究通过拓宽残差流宽度与丰富连接模式，对过去十年确立的、应用广泛的残差连接范式进行了拓展。
尽管该方法带来了显著的性能提升，但这种连接模式的多样化从根本上破坏了残差连接固有的恒等映射特性——这不仅导致严重的训练不稳定性与受限的可扩展性，还会产生显著的内存访问开销。
为解决上述问题，DeepSeek团队提出了流形约束超连接（mHC）框架，这是一种针对Transformer类基础模型的宏架构改进方案，其核心在于将HC的残差连接空间投影至特定流形，以恢复恒等映射特性；同时，框架整合了严格的基础设施优化策略，确保模型运行效率。
论文报告将数学理论（“双随机矩阵”、Sinkhorn-Knopp算法）与基础设施优化工作（如内核融合、混合精度内核、重计算策略、流水线通信-计算重叠）相结合，成功降低了拓宽残差流原本会带来的高昂内存与通信开销。
在基于DeepSeek-V3的混合专家（MoE）预训练场景中（总参数量270亿，激活参数量41.4 亿），报告显示mHC技术实现了以下效果：
（1）消除了 HC 技术存在的训练不稳定性；（2）相比基线模型，最终训练损失降低 0.021；（3）在8项下游基准测试中，有7项性能优于基线模型且超过HC技术；（4）在计算量缩放（30亿、90亿、270亿参数量）与令牌量缩放（30亿参数量模型训练至1.05万亿令牌）过程中，性能优势持续保持，在扩展系数n=4时，内部实测的额外训练时间开销仅为6.7%。
DeepSeek团队表示，作为HC范式的通用扩展，mHC为未来研究开辟了多个极具潜力的方向。
尽管本研究采用双随机矩阵来保证稳定性，但该框架支持探索针对特定学习目标的多样化流形约束，研究人员预计，对不同几何约束的进一步研究，有望催生能够更好地优化可塑性与稳定性平衡的全新方法。
此外deepseek，他们希望mHC能够重新激发学术界对宏架构设计的关注，通过深化对“拓扑结构如何影响优化过程与表征学习”的理解，mHC将助力突破当前技术瓶颈，并有可能为下一代基础模型架构的演进指明全新方向。
不少开发者认为，这件事比听起来更重要。当主流大模型仍在沿用旧方法组装大模型，DeepSeek试图搭建一套更强、更稳、更高效的“新骨架”。
随着模型架构变得越来越深、越来越复杂（例如，具有数百条残差路径的Transformer、多分支视觉模型、具有跨模块反馈的代理系统），几何违例会不断累积，mHC本质上是在说：如果想要保持可扩展性，就必须维护表示的完整性，这也是对“蛮力式”模型搭建设计的一种无声反驳。
细心的网友发现，DeepSeek在论文论文中提到“在我们的内部大规模训练实验进一步佐证了这一结论”，这句“大规模训练实验”引发诸多猜想：其新一代模型可能已经成形。
截至目前，DeepSeek的旗舰模型在通用综合能力与多模态上并非绝对领先者，仅在部分文本强相关赛道基准与开源模型中表现突出，过去的2025年，国内开源模型厂商的竞逐同样激烈，想要再次实现行业领跑并不容易。原文出处：下一代模型呼之欲出？！DeepSeek的新年礼物mHC是个啥？，感谢原作者，侵权必删！
