新年第一天，DeepSeek 颁布了一篇新论文，提出了一种名为 mHC （流形约束超衔接）的新架构
。该钻研旨在解决传统超衔接在大规模模型训练中的不不变性问题，同时维吃熹显著的机能增益 
。 单一来说，DeepSeek 提出的 mHC 通过将传统 Transformer 的单一残差流扩大为多流并行架构，并利用 Sinkhorn-Knopp 算法将衔接矩阵约束在双拟随机矩阵流形上，成功解决了超衔接（HC）在大规模训练中因粉碎恒蹬壮射属性而导致的数值不不变和信号爆炸问题
。 传统的残差衔接（即 Transformer 中的 x + F (x) 结构）凭借「恒蹬壮射」保障了信号无损传输和训练不变性
。但它的瓶颈在于信息通路的宽度受限于暗藏层维度 C
。 数值不不变性： 原始的 HC 中，衔接矩阵是自由进建的，没有约束
。这导致信号在经过多层传布后，数值会「爆炸」或「隐没」，粉碎了恒蹬壮射的个性，模型越深越难训练
。 从底子上粉碎了残差衔接固有的恒蹬壮射属性，导致了严沉的训练不不变性和受限的可扩大性，并额表增长了显著的内存接见开销
。 这是一个通用框架，它将 HC 的残差衔接空间投影到一个特定的流形上，以复原恒蹬壮射属性，同时结合严格的基础设施优化以确保效能
。 团队利用 Sinkhorn-Knopp 算法将残差衔接矩阵投影到 Birkhoff 多胞形（双随机矩阵）上
。这使得信号传布变为特点的「凸组合」，从数学上严格保障了信号范数的不变性（能量守恒）
。为了抵消加宽通路带来的开销，团队执行了内核融合、选择性沉推算以及扩大的 DualPipe 通讯推算沉叠战术
。 实证批注，mHC 不仅解决了不变性问题，且在大规模训练中（如 27B 模型）阐发出卓越的可扩大性
。在 n=4 的扩大倍率下，仅增长了 6.7% 的训练功夫开销，却换来了显著的机能提升
。mHC 为基础模型的拓扑架构演进指了然方向
。 图 1：残差衔接范式示意图
。 本图对比了以下三种结构设计： (a) 尺度残差衔接（Residual Connection）； (b) Hyper-Connections (HC)； (c) 我们提出的 Manifold-Constrained Hyper-Connections (mHC)
。与无约束的 HC 分歧，mHC 专一于优化残差衔接空间，通过将矩阵投影到受约束的流形上，以确保不变性
。 固然原始的恒蹬壮射是通过强造执行Hlres=1来确保不变性，但它能从底子上阻止残差流内部的信息互换，而这种互换对于最大化多流架构的潜力至关沉要
。 因而，该 DeepSeek 团队提出将残差映射投影到一个流形上，既能维持跨层信号传布的不变性，又能推进残差流之间的相互作用，以维持模型的表白能力（expressivity）
。 复合封关性：双拟随机矩阵集对矩阵乘法拥有封关性，确保了跨多层的复合残差映射仍维持双拟随机，从而可在整个模型深度上维持不变性
。 几何诠释：该集中组成了 Birkhoff 多胞形，是分列矩阵集的凸包
。这意味着残差映射充任了分列的凸组合，其沉复利用会单调地增长跨流的信息混合，起到鲁棒的特点融合作用
。 扩大了 DualPipe 调度算法，以改善流水线并行阶段天堑处的通讯与推算沉叠在专用高优先级推算流上执行 MLP 层的内核，并预防在把稳力层使用悠久算子，以预防阻塞通讯流并提高设备利用率
。 钻研团队通过说话模型预训练来验证所提步骤的有效性，并对基线模型、超衔接（HC）以及提出的流形约束超衔接（mHC）进行了对比分析
。 具体而言，HC 和 mHC 的扩大率 n 均设置为 4，重要关注点是一个 27B 参数规模的模型
。其训练数据集的大幼与其参数量成正比，该模型用于展示系统层面的重要了局
。在此基础上，他们通过引入使用成比例数据训练的较幼的 3B 和 9B 模型来分析推算扩大性，从而观察分歧推算规模下的机能趋向
。此表，为了专门钻研 Token 规模的影响，他们另表训练了一个独立的 3B 模型，该模型在一个固定的 1T Token 的语料库上进行训练
。 图 5：流形约束超衔接 (mHC) 的训练不变性
。 该图展示了：(a) mHC 和 HC 相对于基线模型的训练损失绝对差值；(b) 三种步骤在训练过程中的梯度范数
。所有尝试均基于 27B 参数规模的模型
。尝试了局批注，mHC 在损失函数和梯度范数两方面均阐发出更优的不变性
。 钻研团队首先调查 27B 模型的训练不变性和收敛性
。如图 5 (a) 所示，mHC 有效缓解了在 HC 中观察到的训练不不变问题，与基线模型相比，最终损失降低了 0.021
。图 5 (b) 中的梯度范数分析进一步证实了这种不变性的提升：mHC 阐发出显著优于 HC 的行为，维持了与基线模型相当的不变概括
。 表 4：27B 模型在系统级基准测试上的了局
。 本表对比了基线模型、HC 以及 mHC 在 8 个分歧的下游基准测试中的零样本和少样本机能阐发
。了局显示，mHC 始终优于基线模型，并在大无数基准测试中超过了 HC，证了然其在大规模预训练中的有效性
。 表 4 展示了在多种下游基准测试中的机能阐发
。mHC 带来了全面的提升，一致性地优于基线模型，并在大无数工作上超过了 HC
。值妥贴心的是，与 HC 相比，mHC 进一步加强了模型的推理能力，在 BBH 和 DROP 工作上别离实现了 2.1% 和 2.3% 的机能增益
。 图 6：mHC 与基线模型的扩大个性对比
。 (a) 推算扩大曲线：实线描述了在分歧推算预算下的机能差距
。每个点代表模型大幼与数据集大幼的最优推算配置，涵盖了从 3B、9B 到 27B 参数规模的规模扩大过程
。 (b) Token 扩大曲线：展示了 3B 模型在训练过程中的轨迹
。每个点代表模型在分歧训练 Token 数量下的机能阐发
。 为了评估该步骤的扩大性，钻研者汇报了在分歧规模下 mHC 相对于基线模型的损失改善情况
。在图 6 (a) 中，他们绘造了涵盖 3B、9B 和 27B 参数规模的推算规模扩大曲线
。其轨迹批注，即便在更高的推算预算下，机能优势依然稳重地得以维持，仅阐发出轻微的衰减
。 此表，他们在图 6 (b) 中调查了训练过程中的动态变动，展示了 3B 模型的 Token 扩大曲线
。总的来看，这些发现验证了 mHC 在大规模场景下的有效性
。这一结论在他们内部的大规模训练尝试中得到了进一步的证实
。