DeepSeek开年王炸：mHC架构——用流形约束重构残差连接的革命性突破

❝
论文标题：mHC: Manifold-Constrained Hyper-Connections
作者团队：DeepSeek-AI（Zhenda Xie等19位研究者，CEO梁文锋亲自署名）
发布时间：2025年12月31日
论文链接：https://arxiv.org/abs/2512.24880

引言：当字节的创意遇上DeepSeek的数学洁癖

2025年的最后一天，当大家还沉浸在新年的喜悦中时，DeepSeek团队悄然在arXiv上发布了一篇硬核论文——《mHC: Manifold-Constrained Hyper-Connections》。这篇论文提出了一种名为流形约束超连接（mHC）的新型网络架构，被业界称为"地狱级工程难度"的创新工作。

值得注意的是，这篇论文的作者列表最后一位赫然写着：Wenfeng Liang（梁文锋）——DeepSeek的CEO亲自下场参与研究，足见这项工作的重要性。

一句话理解mHC

想象一下，神经网络就像一个复杂的水管系统，信息（水流）需要从输入端流向输出端。残差连接就像是在水管旁边加了一根"旁路管道"，让水流可以绕过某些复杂的处理单元直接流过去，防止水流在复杂管道中"消失"。

超连接（HC）的想法是：既然一根旁路管道好用，那我们多加几根不是更好吗？于是把单车道变成了四车道。但问题来了——车道多了，交通反而乱了，经常出现"堵车"甚至"车祸"（训练崩溃）。

mHC的解决方案：给这些车道加上"智能红绿灯系统"（流形约束），让车流既能高效通行，又不会失控。

图1：三种残差连接范式的对比。(a)标准残差连接：简单但表达能力有限，就像单车道公路；(b)超连接(HC)：扩展了残差流宽度但存在稳定性问题，像没有交通管制的多车道；(c)mHC：通过流形约束恢复稳定性的同时保持强大表达能力，像有智能调度的高速公路。

一、背景知识：从ResNet到超连接的演进之路

1.1 残差连接：深度学习的"救命稻草"

在深入mHC之前，我们需要先理解它要解决的问题。这要从2015年说起。

深度学习曾经的"天花板"

在2015年之前，深度学习界有一个令人头疼的问题：网络越深，效果反而越差。按理说，更深的网络应该有更强的表达能力，但实际训练时，当网络层数超过一定数量（比如20层），准确率反而开始下降。

这个问题被称为**"退化问题"（Degradation Problem）**，它的根源在于：

梯度消失：在反向传播时，梯度需要逐层相乘传递。当网络很深时，梯度会变得越来越小，最终"消失"，导致前面的层几乎学不到任何东西
优化困难：深层网络的损失函数地形非常复杂，优化器很容易陷入局部最优

何恺明的天才设计

2015年，何恺明等人提出的ResNet引入了残差连接，这一设计彻底改变了深度学习的格局，也让何恺明获得了CVPR 2016最佳论文奖。

残差连接的核心思想非常简单——让信息可以"跳过"某些层直接传递：

通俗理解：假设你要从A点到B点，传统网络要求你必须经过所有中间站点；而残差连接给你开了一条"直达通道"，你可以选择走中间站点（学习新特征），也可以直接跳过去（保持原样）。

用代码来表示就是：

# 传统网络
output = transform(input) # 必须经过变换

# 残差网络
output = input + transform(input) # 可以"跳过"变换

这个简单的"加法"操作带来了两个关键优势：

梯度直通：即使transform的梯度很小，梯度也可以通过input这条"高速公路"直接回传，避免了梯度消失
训练稳定性：如果某一层不需要学习任何东西，它只需要让transform输出0，信号就能原样通过

正是这一设计，使得网络可以训练到152层、1000层甚至更深，开启了深度学习的新时代。

❝
历史意义：从2015年到2025年，整整十年，残差连接一直是深度学习架构的"标配"。无论是GPT、BERT、Llama还是Claude，底层都在使用这个设计。mHC是十年来对这一"地基"的首次重大升级。

1.2 超连接（HC）：字节跳动的大胆尝试

既然残差连接这么好用，能不能让它更强大？2024年，字节跳动的研究者提出了一个大胆的想法——超连接（Hyper-Connections, HC）。

核心思想：从"单车道"到"多车道"

传统残差连接只有一条"旁路"，HC的想法是：把这条旁路扩展成多条并行的通道。

用一个形象的比喻：

传统残差连接：一条双向单车道公路，信息只能排队通过
超连接：一条四车道高速公路（），信息可以分流到不同车道，实现更灵活的传输

数学上，HC的公式为：

别被公式吓到！让我们拆解一下：

：现在不再是一个向量，而是个向量并排放在一起（条车道的车流）
：一个的矩阵，决定各车道之间如何"换道"
：决定从哪条车道取信息送去处理
：决定处理后的信息放回哪条车道

# 传统残差（单车道）
x_next = x + F(x)

# 超连接（多车道）
x_next = H_res @ x + H_post.T @ F(H_pre @ x)
# H_res: 车道之间的换道规则
# H_pre: 从哪条车道取数据
# H_post: 结果放回哪条车道

HC将残差流从1维扩展到维，通过可学习的映射矩阵实现更丰富的特征融合。实验表明，HC在多个任务上取得了显著的性能提升——听起来很美好，对吧？

1.3 HC的致命缺陷：当"多车道"变成"修罗场"

然而，HC的美好愿景在大规模训练中遭遇了严峻挑战。DeepSeek团队在实践中发现，HC存在严重的训练不稳定性问题——就像一条没有交通规则的高速公路，车辆可以随意变道、加速、减速，最终必然导致混乱。

图2：27B模型训练中HC的不稳定性表现。左图显示训练损失出现剧烈波动（红色箭头标注的"损失激增"现象）；右图显示梯度范数出现异常峰值。这就像高速公路上突然发生连环车祸，整个系统瞬间瘫痪。

从图2可以清楚地看到两个致命问题：

损失激增（Loss Spike）：训练过程中损失函数突然飙升，就像股市崩盘一样，需要回滚到之前的检查点重新训练
梯度爆炸（Gradient Explosion）：梯度范数出现异常的峰值，导致参数更新失控

❝
真实案例：在DeepSeek的27B模型训练中，使用HC架构时，训练损失多次出现剧烈波动，每次都需要回滚到之前的检查点重新开始。这不仅浪费了大量的计算资源，更严重的是让训练变得不可预测——你永远不知道下一次"崩溃"什么时候会发生。

这些问题的根源是什么？DeepSeek团队进行了深入分析。

二、问题诊断：为什么HC会失控？

DeepSeek团队像侦探一样，对HC的"事故现场"进行了深入调查，找到了三个关键问题。

2.1 恒等映射特性的破坏：丢失了"安全阀"

什么是恒等映射？

标准残差连接之所以稳定，关键在于其恒等映射特性：当变换函数输出为零时，信号可以无损地通过。

通俗理解：这就像一个"安全阀"——如果某一层不知道该怎么处理信息，它可以选择"什么都不做"，让信息原样通过。数学上，这意味着：

这个特性非常重要，因为它意味着：

网络可以"安全地"增加深度，最坏情况也只是多几个"什么都不做"的层
训练初期，网络可以先保持恒等映射，然后逐渐学习有用的变换

HC如何破坏了这个特性？

然而，HC的残差映射矩阵破坏了这一特性。即使输出为零，信号也会被变换：

形象比喻：这就像你开车上高速，即使你想直行，系统也强制要求你换道。每过一个收费站都要换一次道，最后你可能完全迷失方向。

2.2 信号传播的发散与消失：指数级的"蝴蝶效应"

更严重的问题出现在多层复合时。考虑信号从第0层传播到第层：

谱范数：衡量矩阵"放大能力"的指标

要理解这个问题，我们需要引入一个概念——谱范数（Spectral Norm）。简单来说，谱范数衡量的是一个矩阵能把向量"放大"多少倍。

如果谱范数 = 1：向量长度不变
如果谱范数 > 1：向量被放大
如果谱范数 < 1：向量被缩小

指数级放大的恐怖

现在问题来了：如果的谱范数是1.1（只比1大一点点），经过100层后会发生什么？

信号被放大了一万多倍！这就是为什么HC在深层网络中会出现梯度爆炸——微小的偏差经过层层累积，最终变成灾难性的错误。

反过来，如果谱范数是0.9：

信号几乎完全消失了！

图3：HC映射矩阵的传播特性分析。左图显示单层映射的Amax增益；右图显示复合映射的Amax增益。可以看到，复合映射的增益峰值高达3000，这意味着信号可能被放大3000倍！这就像一个小雪球滚下山坡，最终变成毁灭性的雪崩。

图3揭示了一个惊人的事实：在HC中，经过多层传播后，信号的增益可以达到3000倍！这就解释了为什么训练会出现梯度爆炸和损失激增。

❝
数学直觉：想象你在玩传话游戏，每个人传话时都会有一点点偏差。如果偏差是随机的，最终结果可能还能接受；但如果偏差是系统性的（总是往某个方向偏），传了100个人后，原话可能已经面目全非。HC的问题就在于，它的"偏差"是系统性的，而且会累积。

2.3 内存访问开销：被忽视的"隐形杀手"

除了稳定性问题，HC还带来了显著的内存访问开销。在GPU计算中，内存访问往往比计算本身更耗时——这是很多人容易忽视的问题。

为什么内存访问是瓶颈？

现代GPU的计算能力非常强大，但内存带宽是有限的。打个比方：

计算单元就像一个超级快的厨师，可以瞬间完成烹饪
内存访问就像从冰箱取食材，需要来回跑

如果厨师大部分时间都在等食材，而不是在做菜，那再快的厨师也没用。这就是所谓的**"内存墙"（Memory Wall）**问题。

HC的内存开销有多大？

下表对比了不同方法的内存访问成本：

方法	读取（元素数）	写入（元素数）	相对开销
标准残差连接			1x
HC ()			~7x

当扩展因子时，HC的内存访问量是标准残差连接的约7倍！

这意味着什么？假设原本训练一个模型需要1000小时，使用HC后可能需要额外增加数百小时，仅仅因为内存访问的开销。对于大规模训练来说，这是不可接受的。

三、mHC：流形约束的优雅解决方案

面对HC的种种问题，DeepSeek团队没有选择放弃这个有潜力的架构，而是用数学的方式找到了一个优雅的解决方案。

3.1 核心思想：给"野马"套上"缰绳"

DeepSeek团队提出的解决方案既简洁又深刻：将残差映射矩阵约束到双随机矩阵流形上。

什么是流形？

在数学中，流形（Manifold）是一个局部看起来像欧几里得空间的几何对象。听起来很抽象？让我们用一些例子来理解：

地球表面是一个二维流形：虽然地球是圆的，但站在任何一点，你脚下的地面看起来都是平的
甜甜圈的表面也是一个流形：它有一个洞，但局部看起来也是平的

在mHC中，我们把残差映射矩阵限制在一个特定的"形状"上——双随机矩阵流形。这就像给一匹野马套上缰绳：马还是可以跑，但不会乱跑。

什么是双随机矩阵？

双随机矩阵是一种特殊的非负矩阵，满足两个简单条件：

每行元素之和等于1
每列元素之和等于1

数学表示为：

通俗理解：想象一个"分配系统"，有4个输入口和4个输出口。双随机矩阵规定：

从每个输入口进来的东西，必须全部分配到各个输出口（行和为1）
每个输出口收到的东西，必须来自所有输入口的完整分配（列和为1）

这就像一个"公平的分配器"——不会凭空创造东西，也不会让东西消失。

举个具体的例子，这是一个的双随机矩阵：

你可以验证：每行之和 = 1，每列之和 = 1，所有元素都 ≥ 0。

3.2 双随机矩阵的三重保障：为什么它能解决问题？

双随机矩阵不仅仅是一个"好看"的数学结构，它带来了三个关键的理论保障，完美解决了HC的所有问题。

保障一：范数保持——信号不会被放大

性质1：谱范数恒为1

对于任意双随机矩阵，其谱范数（最大奇异值）恒等于1：

这意味着什么？无论信号经过多少层，它的"能量"都不会被放大。回想一下HC的问题——信号可能被放大3000倍。现在有了这个约束，放大倍数永远是1。

直观理解：双随机矩阵就像一个"能量守恒"的变换器。输入多少能量，输出就是多少能量，不多不少。这从根本上防止了信号发散和梯度爆炸。

保障二：复合封闭——深度网络也稳定

性质2：复合封闭性

双随机矩阵的乘积仍然是双随机矩阵：

这意味着什么？无论网络有多深（100层、1000层），复合映射仍然保持双随机性质，仍然保持稳定。

直观理解：这就像一个"遗传特性"——父母是双随机矩阵，孩子也是双随机矩阵，子子孙孙都是双随机矩阵。稳定性可以"遗传"到任意深度。

保障三：几何解释——Birkhoff多面体的美妙

性质3：Birkhoff多面体

双随机矩阵的集合构成了一个凸多面体，称为Birkhoff多面体。其顶点恰好是所有的置换矩阵（每行每列恰好有一个1，其余为0的矩阵）。

根据Birkhoff-von Neumann定理，任意双随机矩阵都可以表示为置换矩阵的凸组合：

通俗理解：置换矩阵就是"硬切换"——把第1个通道的信息完全移到第3个通道，把第2个通道的信息完全移到第1个通道，等等。而双随机矩阵是"软切换"——可以把第1个通道的信息部分移到第3个通道，部分保留在原地。

形象比喻：

置换矩阵：像调音台上的"静音"按钮，要么全开要么全关
双随机矩阵：像调音台上的"推子"，可以平滑地调节各个通道的混合比例

这给出了一个直观的理解：双随机矩阵是对特征通道进行"软置换"的操作，它混合了不同通道的信息，但不会改变信息的总量。

3.3 Sinkhorn-Knopp算法：把任意矩阵"拉"到双随机流形上

理论很美好，但实际操作中有一个问题：神经网络学习到的矩阵不一定是双随机的，我们如何把它"变成"双随机矩阵？

DeepSeek团队采用了经典的Sinkhorn-Knopp算法——一个有着近60年历史的优雅算法。

算法原理：交替归一化

算法的核心思想非常简单：交替对行和列进行归一化，直到收敛。

defsinkhorn_knopp(A, iterations=20):
 """将非负矩阵A投影到双随机矩阵"""
 for_inrange(iterations):
   # 行归一化：让每行之和等于1
    A = A / A.sum(dim=1, keepdim=True)
   # 列归一化：让每列之和等于1
    A = A / A.sum(dim=0, keepdim=True)
 returnA

直观理解：想象你有一个不平衡的天平，左边重右边轻。你先调整左边让它平衡，但这可能让前后不平衡了；然后你调整前后，但这可能又让左右不平衡了。不断重复这个过程，最终天平会在所有方向上都达到平衡。

为什么20次迭代就够了？

Sinkhorn-Knopp算法有一个优美的理论保证：它以指数速度收敛到双随机矩阵。在实践中，DeepSeek发现20次迭代就足以达到很好的近似效果，误差小到可以忽略不计。

迭代次数	收敛误差	训练效果
5	较大	略有不稳定
10	中等	基本稳定
20	很小	完全稳定
50	极小	与20相同

❝
工程洞察：20次迭代是一个"甜蜜点"——再少会影响稳定性，再多则是浪费计算资源。这种对细节的把控，正是DeepSeek"工程能力"的体现。

3.4 完整的mHC公式：把所有部件组装起来

结合上述设计，mHC的完整公式为：

逐项解读：

：Sinkhorn-Knopp投影，把残差映射矩阵"拉"到双随机流形上
：Sigmoid函数，确保前置和后置映射的非负性（值在0到1之间）
：原始的变换函数（如注意力层、FFN层等）

动态+静态的混合映射生成

映射矩阵的生成采用动态+静态的混合方式：

为什么要这样设计？

动态部分（）：根据当前输入动态调整映射，让网络能够"因材施教"
静态部分（）：提供一个稳定的基础映射，保证训练初期的稳定性
Softplus激活：确保输出非负，这是Sinkhorn-Knopp算法的前提条件

classmHC(nn.Module):
 def__init__(self, dim, n_streams=4, sinkhorn_iters=20):
    super().__init__()
    self.n_streams = n_streams
    self.sinkhorn_iters = sinkhorn_iters
   
   # 动态权重
    self.W_res = nn.Linear(dim, n_streams * n_streams)
   # 静态偏置
    self.b_res = nn.Parameter(torch.zeros(n_streams, n_streams))
   # 前置和后置映射
    self.pre = nn.Linear(dim, n_streams)
    self.post = nn.Linear(dim, n_streams)
 
 defforward(self, x, F_layer):
   # 生成残差映射矩阵
    H_res = F.softplus(self.W_res(x).view(-1, self.n_streams, self.n_streams) + self.b_res)
   # Sinkhorn投影到双随机流形
    H_res = self.sinkhorn(H_res)
   
   # 前置和后置映射（非负）
    H_pre = torch.sigmoid(self.pre(x))
    H_post = torch.sigmoid(self.post(x))
   
   # mHC前向传播
    residual = torch.einsum('bij,bj->bi', H_res, x)
    transformed = H_post * F_layer(H_pre * x)
   returnresidual + transformed
 
 defsinkhorn(self, A):
   """Sinkhorn-Knopp算法"""
   for_inrange(self.sinkhorn_iters):
      A = A / A.sum(dim=-1, keepdim=True)
      A = A / A.sum(dim=-2, keepdim=True)
   returnA

四、系统优化：工程实现的艺术

理论上的优雅设计还需要高效的工程实现。这里体现了DeepSeek团队的"地狱级工程能力"——他们在系统层面进行了三项关键优化，让mHC不仅理论上可行，而且实际上高效。

4.1 内核融合：让GPU"一气呵成"

问题：碎片化的计算

mHC的计算涉及多个步骤：映射生成 → Softplus激活 → Sinkhorn迭代（20次！）→ 矩阵乘法。如果每个步骤都单独执行，会产生大量的中间结果读写。

形象比喻：这就像做一道菜，如果每切一刀都要把菜放回冰箱，然后再拿出来切下一刀，效率会极低。

解决方案：内核融合

DeepSeek使用TileLang框架实现了内核融合（Kernel Fusion），将多个操作合并到一个GPU内核中执行：

图4：mHC的内核融合设计。通过将映射生成、Sinkhorn迭代和矩阵乘法融合到单个内核中，大幅减少了内存访问开销。就像一个高效的厨师，把所有食材一次性拿出来，一气呵成完成整道菜。

关键技术包括：

技术	作用	效果
混合精度计算	映射矩阵使用float32保证精度，主体计算使用bfloat16提高效率	精度和速度兼得
寄存器优化	将中间结果保存在寄存器中，避免写回全局内存	减少90%以上的内存访问
流水线执行	重叠计算和内存访问	隐藏内存延迟

❝
工程洞察：Sinkhorn的20次迭代看起来很多，但通过内核融合，这20次迭代全部在GPU寄存器中完成，不需要任何全局内存访问。这是mHC能够保持高效的关键。

4.2 选择性重计算：用时间换空间

问题：激活值的内存爆炸

在反向传播时，需要保存前向传播的激活值来计算梯度。对于mHC，如果保存所有中间结果，内存开销会非常大——一个27B的模型可能需要数百GB的显存来存储激活值。

解决方案：选择性重计算

DeepSeek采用了选择性重计算（Selective Recomputation）策略：

策略：
1. 将网络分成多个块，每块包含 L_r 层
2. 只保存每个块第一层的输入（检查点）
3. 反向传播时，从检查点重新计算块内的激活值

形象比喻：这就像玩游戏时的存档策略。你不需要每走一步都存档（太费存储空间），但也不能完全不存档（死了要从头开始）。最优策略是每隔一段距离存一次档。

最优块大小的理论分析

DeepSeek给出了最优块大小的理论公式：

其中是残差流宽度，是总层数。

直观理解：

块太小：存档太频繁，浪费存储空间
块太大：重计算太多，浪费计算时间
最优块大小：在内存节省和重计算开销之间取得最佳平衡

对于一个60层、的网络，最优块大小约为6层。这意味着每6层存一次"档"，反向传播时最多只需要重计算6层的激活值。

4.3 通信重叠：让等待时间不再浪费

问题：分布式训练的通信瓶颈

在大规模分布式训练中，模型被切分到多个GPU上。GPU之间需要频繁通信来交换数据，而通信时GPU往往处于空闲状态——这是巨大的浪费。

解决方案：DualPipe调度

DeepSeek扩展了他们之前提出的DualPipe调度算法，实现了计算与通信的重叠：

图5：mHC的DualPipe调度优化。通过将mHC计算与流水线通信重叠，隐藏了额外的计算开销。就像你在等外卖的时候顺便把碗筷准备好，而不是干等着。

核心思想是：当GPU在等待来自其他节点的数据时，可以同时执行mHC的映射计算，从而隐藏额外的计算延迟。

传统方式：
[通信等待][计算][通信等待][计算]... ← 大量时间浪费在等待

DualPipe方式：
[通信 + mHC计算][主体计算][通信 + mHC计算][主体计算]... ← 等待时间被利用

效果量化

优化前	优化后	提升
通信等待时间完全浪费	通信期间完成mHC计算	mHC开销几乎为零

❝
DeepSeek的工程哲学：不是简单地"堆算力"，而是通过精巧的调度让每一点算力都物尽其用。这也是为什么DeepSeek能够用更少的资源训练出更强的模型。

五、实验验证：从3B到27B的全面验证

理论和工程都准备好了，接下来是最激动人心的部分——实验结果。

5.1 实验设置：大规模MoE模型

DeepSeek在三个规模的MoE（混合专家）模型上验证了mHC的效果。

什么是MoE模型？

MoE是一种"分而治之"的模型架构：

模型包含多个"专家"子网络
每次只激活其中一部分专家来处理输入
好处：总参数量很大（知识丰富），但每次计算只用一小部分（效率高）

形象比喻：MoE就像一个大型医院，有各种专科医生。病人来了不需要所有医生都出诊，只需要相关专科的医生会诊即可。

模型	总参数量	激活参数量	训练数据量	说明
3B	3B	0.3B	100B tokens	小规模验证
9B	9B	0.9B	175B tokens	中规模验证
27B	27B	2.7B	262B tokens	大规模验证

所有模型都使用残差流扩展因子，Sinkhorn迭代次数。

5.2 训练稳定性：从"过山车"到"平稳高速"

首先，也是最重要的，mHC彻底解决了HC的训练不稳定问题：

图6：mHC vs HC的训练稳定性对比。(a)计算扩展曲线：mHC在不同模型规模上都保持稳定；(b)数据扩展曲线：mHC在长期训练中持续优于基线。

从图6可以看到惊人的对比：

指标	HC (27B)	mHC (27B)
损失激增次数	多次	0次
需要回滚重训	是	否
训练曲线	剧烈波动	平滑下降
梯度范数	异常峰值	稳定可控

关键发现：

HC在27B模型上完全失败：出现多次损失激增，无法完成训练。这意味着字节跳动的原始HC设计在大规模场景下是不可用的
mHC全程稳定：损失曲线平滑下降，没有任何异常。这证明了流形约束的有效性

❝
实际意义：对于大规模模型训练来说，稳定性比性能更重要。一个不稳定的架构，即使理论上性能更好，也无法在实践中使用。mHC解决了这个根本性问题。

5.3 传播稳定性分析：数学预测得到验证

为了深入理解mHC的稳定性来源，研究者分析了映射矩阵的传播特性：

图7：HC vs mHC的传播稳定性对比。左图是HC，复合映射增益高达3000；右图是mHC，复合映射增益稳定在1.6左右。

对比非常明显：

指标	HC	mHC	改善倍数
复合映射增益峰值	3000	1.6	1875x
信号放大风险	极高	几乎为零	-
梯度爆炸风险	极高	几乎为零	-

这个结果完美验证了理论预测：

双随机矩阵的谱范数为1，所以复合映射的增益应该接近1
实际测量值1.6略大于1，是因为还有其他组件（如前置/后置映射）的贡献
但相比HC的3000倍，1.6倍几乎可以忽略不计

❝
理论与实践的统一：这是mHC论文最漂亮的地方——不是"先做实验再找解释"，而是"先有理论预测，实验完美验证"。这种研究方法论值得学习。

5.4 下游任务性能：全面超越基线

稳定性解决了，性能如何？在多个下游任务上，mHC都取得了显著的性能提升：

基准任务	类型	27B Baseline	27B + HC	27B + mHC	mHC提升
BBH (EM)	推理	43.8	48.9	51.0	+7.2
DROP (F1)	阅读理解	47.0	51.6	53.9	+6.9
GSM8K (EM)	数学	46.7	53.2	53.8	+7.1
MATH (EM)	数学	14.9	18.9	20.2	+5.3
HumanEval (Pass@1)	代码	42.1	50.6	51.8	+9.7
MBPP (Pass@1)	代码	50.0	55.0	56.6	+6.6
MMLU (Acc.)	知识	59.0	63.0	63.4	+4.4

关键发现：

mHC在所有7个任务上都优于基线和HC
在代码任务（HumanEval）上提升最大，达到9.7个百分点
在推理任务（BBH）上提升7.2个百分点
在阅读理解任务（DROP）上提升6.9个百分点

为什么mHC比HC还要好？

这看起来有点反直觉——我们给HC加了约束，按理说应该限制了它的表达能力，为什么反而更好了？

答案在于正则化效应：

双随机约束迫使网络学习更"规整"的特征变换
这种规整性实际上是一种隐式正则化，防止了过拟合
更稳定的训练过程也意味着模型可以更充分地学习

❝
类比：这就像学习书法——如果完全不限制，你可能会写出各种奇怪的字体；但如果在格子里练习，反而能写出更漂亮的字。约束不是限制，而是引导。

5.5 映射矩阵可视化：看看mHC学到了什么

为了直观理解mHC学到了什么，研究者可视化了映射矩阵：

图8：HC vs mHC的映射矩阵可视化。上排是HC的映射矩阵，下排是mHC的映射矩阵。可以看到mHC的矩阵更加均匀、稳定，符合双随机约束的特性。

从可视化结果可以观察到明显的差异：

特征	HC	mHC
数值分布	不均匀，有极端值	均匀，在0-1之间
行/列和	不固定	恒等于1
视觉效果	杂乱无章	规整有序
物理意义	不明确	特征的"软置换"

有趣的发现：mHC学到的映射矩阵往往接近于"对角占优"的形式——对角线元素较大，非对角线元素较小。这意味着网络倾向于保持原有的通道结构，同时进行少量的跨通道混合。

这符合我们的直觉：一个好的残差映射应该"大部分保持原样，小部分做调整"，而不是"完全打乱重来"。

5.6 计算开销分析：值得的投资

mHC的额外计算开销是多少？这是实际应用中最关心的问题。

配置	额外开销	性能提升	性价比
n=2	3.5%	中等	高
n=4	6.7%	显著	最优
n=8	12.5%	略高于n=4	较低

关键结论：当时，mHC仅增加**6.7%**的训练开销，但带来了：

7个百分点以上的任务性能提升
完全稳定的训练过程
更好的可扩展性

投资回报率分析：

假设训练一个27B模型需要1000万美元
使用mHC额外花费67万美元
但获得的性能提升，如果用传统方法实现，可能需要训练一个更大的模型，花费更多

❝
结论：6.7%的开销换取全面的性能提升和稳定性保障，这是一笔非常划算的投资。

六、消融实验：拆解mHC的成功密码

为了理解mHC为什么有效，研究者进行了详细的消融实验，逐一验证每个设计选择的贡献。

6.1 HC各组件的贡献：残差映射是核心

研究者首先分析了HC各组件的贡献：

组件配置	绝对损失差距	相对贡献
仅（残差映射）	-0.022	81%
+（+前置映射）	-0.025	93%
全组件	-0.027	100%

结论：残差映射是最重要的组件，贡献了81%的性能提升。这也解释了为什么mHC主要对残差映射施加约束——因为这是问题的根源，也是解决方案的关键。

前置和后置映射的贡献相对较小，但也不可忽视。它们的作用是：

前置映射：决定从哪些通道提取信息送去变换
后置映射：决定变换后的信息如何分配回各通道

6.2 流形约束的必要性：不约束就崩溃

如果不使用流形约束，会发生什么？

方法	训练状态	性能	备注
HC（无约束）	❌ 不稳定，需要多次回滚	次优	27B模型无法完成训练
mHC（双随机约束）	✅ 稳定	最优	推荐配置
mHC（正交约束）	✅ 稳定	略低于双随机	备选方案

为什么双随机约束比正交约束更好？

正交矩阵也能保证谱范数为1，但它有一个问题：正交矩阵可以包含负元素，这意味着信号可能被"反转"。而双随机矩阵的所有元素都是非负的，信号只会被"混合"而不会被"反转"。

从直觉上理解：

正交变换：可能把"正面情绪"变成"负面情绪"
双随机变换：只会把不同情绪"混合"，但不会"反转"

对于神经网络来说，保持信号的"方向性"是很重要的，所以双随机约束更合适。

6.3 Sinkhorn迭代次数：20次是黄金数字

Sinkhorn迭代次数如何影响效果？

迭代次数	收敛误差	训练稳定性	最终性能
5	较大（~0.1）	略有波动	略低
10	中等（~0.01）	基本稳定	接近最优
20	很小（~0.001）	完全稳定	最优
50	极小（~0.0001）	完全稳定	与20相同

结论：20次迭代是一个很好的平衡点：

收敛误差已经小到可以忽略（约0.001）
继续增加迭代次数不会带来额外收益
计算开销在可接受范围内

❝
工程经验：在实际实现中，由于内核融合的优化，20次Sinkhorn迭代的开销几乎可以忽略不计。如果没有内核融合，可能需要权衡迭代次数和计算开销。

七、与相关工作的对比：mHC的独特定位

7.1 宏观架构设计：十年来的首次重大升级

mHC属于宏观架构设计的范畴。让我们回顾一下这个领域的发展历程：

年份	方法	核心思想	优势	局限
2015	ResNet	恒等残差连接	简单稳定，开创性	表达能力有限
2017	DenseNet	密集连接	特征复用好	内存开销大
2024	HC	扩展残差流	表达能力强	训练不稳定
2025	mHC	流形约束残差流	稳定+表达能力强	几乎无

mHC的历史意义：从ResNet到mHC，整整十年。在这十年里，残差连接的基本形式几乎没有变化。mHC是第一个在保持稳定性的同时显著增强残差连接表达能力的方法。

❝
网友评论："何恺明的残差连接用了10年，字节的HC提出了新方向但不稳定，DeepSeek的mHC终于把这条路走通了。这是接力棒式的创新。"

7.2 归一化技术：互补而非替代

mHC与各种归一化技术（BatchNorm、LayerNorm、RMSNorm等）是互补的关系，而非替代关系。

技术	作用对象	作用	与mHC的关系
BatchNorm	激活值（批次维度）	标准化分布	互补
LayerNorm	激活值（特征维度）	标准化分布	互补
RMSNorm	激活值（范数）	控制范数	互补
mHC	残差映射矩阵	约束变换特性	-

关键区别：

归一化技术：作用于激活值，是一种"事后补救"——信号已经变形了，我来修正它
mHC：作用于映射矩阵，是一种"事前预防"——从源头保证信号不会变形

两者可以同时使用，效果更好。

7.3 训练稳定性技术：从"症状"到"病因"

与其他训练稳定性技术的对比：

技术	作用层面	原理	效果	局限
梯度裁剪	梯度	限制梯度范数	防止单步更新过大	治标不治本
学习率预热	优化器	渐进增加学习率	避免初期震荡	不解决根本问题
权重衰减	参数	正则化	防止过拟合	不针对稳定性
mHC	架构	约束信号传播	从根本上防止发散	几乎无

mHC的独特优势：它从架构层面解决稳定性问题，是一种更根本的解决方案。

类比：

梯度裁剪：像是给失控的汽车踩刹车——已经失控了才补救
学习率预热：像是慢慢加速，希望车不会失控
mHC：像是给汽车装上限速器——从设计上就保证不会超速

八、深度思考：mHC背后的数学之美

mHC不仅仅是一个工程上的改进，它背后蕴含着深刻的数学思想。让我们从三个角度来理解它的理论意义。

8.1 信息论视角：最大熵的特征混合

双随机矩阵有一个重要性质：它是保持边缘分布的最大熵映射。

什么意思？假设你有4个通道的特征，每个通道有一定的"信息量"。双随机矩阵在混合这些特征时：

保持总信息量不变（行和列和都是1）
最大化混合的均匀性（熵最大）

从信息论角度，这意味着mHC在传播信息时：

✅ 不会丢失信息（保持总量）
✅ 最大化了信息的混合（最大熵）
✅ 避免了信息的"聚集"（某些通道过载，某些通道空闲）

直观理解：这就像一个公平的资源分配系统——不会让某些人富得流油，某些人一无所有。

8.2 动力系统视角：稳定的离散演化

将深度网络视为离散动力系统，每一层是一次状态转移：

在这个视角下，双随机矩阵保证了：

系统是稳定的：谱半径为1，状态不会发散到无穷大
不存在吸引子：不会所有状态都收敛到同一点（信息丢失）
不存在排斥子：不会出现状态爆炸

数学上的优美性：双随机矩阵定义了一个保测映射——它保持状态空间的"体积"不变。这意味着信息在传播过程中既不会被压缩，也不会被膨胀。

与物理的类比：这就像一个理想的、无摩擦的力学系统——能量守恒，状态可以无限演化而不会发散或衰减。

8.3 优化视角：良好的损失地形

流形约束将优化问题限制在一个良好的子空间中。Birkhoff多面体是一个紧凸集，这意味着：

优化问题有界：参数不会跑到无穷远
梯度下降不会发散：总能找到可行的下降方向
局部最优更容易是全局最优：凸集上的优化更"友好"

类比：这就像在一个有围栏的操场上跑步，而不是在无边无际的荒野中跑步。有了边界，你不会迷路，也更容易找到目的地。

8.4 统一的理解：约束即自由

mHC的成功揭示了一个深刻的哲学道理：适当的约束不是限制，而是解放。

没有约束的HC：自由度太高，反而失控
有约束的mHC：自由度受限，反而更强大

这在很多领域都有体现：

诗歌：格律的约束反而激发了更美的表达
音乐：和声的规则反而创造了更丰富的旋律
建筑：结构力学的约束反而实现了更宏伟的设计

mHC告诉我们：在正确的约束下，系统可以获得更大的有效自由度。

九、实践指南：如何在你的项目中使用mHC

9.1 何时考虑使用mHC

mHC特别适合以下场景：

场景	推荐程度	原因
大规模模型训练（>10B参数）	⭐⭐⭐⭐⭐	稳定性收益最大
长序列建模（深层网络）	⭐⭐⭐⭐⭐	防止信号衰减/爆炸
对稳定性要求高（不能接受训练失败）	⭐⭐⭐⭐⭐	mHC的核心优势
中小规模模型（<1B参数）	⭐⭐⭐	收益相对较小，但仍有帮助
已有稳定训练流程	⭐⭐	可以作为性能提升手段

9.2 推荐的超参数配置

超参数	推荐值	可选范围	说明
扩展因子	4	2-8	性能与开销的最佳平衡
Sinkhorn迭代	20	10-50	足够收敛，更多无益
门控初始化	0.01	0.001-0.1	小值开始，让网络逐渐学习
动态/静态比例	1:1	-	动态部分和静态部分同等重要

9.3 实现注意事项

数值稳定性

# 不推荐：直接在线性空间做Sinkhorn
defsinkhorn_naive(A, iters=20):
 for_inrange(iters):
    A = A / A.sum(dim=-1, keepdim=True)
    A = A / A.sum(dim=-2, keepdim=True)
 returnA

# 推荐：在log空间做Sinkhorn，避免数值下溢
defsinkhorn_log(log_A, iters=20):
 for_inrange(iters):
    log_A = log_A - torch.logsumexp(log_A, dim=-1, keepdim=True)
    log_A = log_A - torch.logsumexp(log_A, dim=-2, keepdim=True)
 returnlog_A.exp()

内存管理

使用选择性重计算减少内存占用
最优块大小：
对于60层、的网络，建议每6层设一个检查点

分布式训练

利用DualPipe调度隐藏mHC计算开销
将mHC计算放在通信等待期间执行
确保映射矩阵的生成是确定性的（避免不同节点产生不同结果）

十、未来展望：mHC开启的新方向

10.1 其他流形约束的探索

双随机矩阵只是众多可能的流形约束之一。未来可以探索：

流形类型	数学性质	潜在优势	挑战
正交矩阵流形	保持向量长度	完美的范数保持	可能限制表达能力
酉矩阵流形	复数域的正交	更丰富的变换	计算复杂度高
低秩流形	参数量少	减少计算开销	可能损失表达能力
稀疏流形	大部分元素为0	高效计算	优化困难

10.2 自适应约束：让网络自己决定

当前mHC使用固定的约束强度。未来可以探索：

层自适应：浅层用弱约束（更自由），深层用强约束（更稳定）
训练自适应：训练初期用强约束（稳定起步），后期放松约束（更好拟合）
数据自适应：根据输入数据的特性动态调整约束强度

10.3 更广泛的应用场景

mHC的思想可以推广到：

领域	应用方式	预期效果
视觉Transformer	替换ViT中的残差连接	更稳定的视觉模型训练
多模态模型	跨模态信息融合	更平衡的模态交互
强化学习	策略网络设计	更稳定的策略更新
图神经网络	消息传递机制	防止过平滑问题

10.4 与其他技术的结合

mHC可以与以下技术结合，产生协同效应：

MoE（混合专家）：mHC + MoE = 更稳定的稀疏激活
FlashAttention：mHC + FlashAttention = 更高效的长序列建模
量化训练：mHC的稳定性可能有助于低精度训练

结语：数学之美与工程之力的完美结合

mHC是DeepSeek团队在深度学习架构设计上的又一力作。它通过流形约束这一优雅的数学工具，解决了超连接的训练不稳定问题，同时保持了强大的表达能力。

这项工作的三重意义

1. 技术层面：解决了一个实际问题

HC的想法很好，但在大规模训练中不可用
mHC让这个想法真正落地，可以在27B甚至更大的模型上稳定运行

2. 方法论层面：展示了理论驱动的工程实践

首先深入分析问题的数学本质（为什么HC不稳定？）
然后寻找具有良好数学性质的解决方案（双随机矩阵流形）
最后通过精细的工程优化实现高效部署（内核融合、选择性重计算、通信重叠）

3. 哲学层面：揭示了约束与自由的辩证关系

适当的约束不是限制，而是解放
在正确的流形上优化，比在整个空间中乱跑更高效

对行业的影响

mHC的发布可能会产生以下影响：

大模型训练范式的转变：从"堆算力"到"精细设计"
开源社区的跟进：预计很快会有mHC的开源实现
其他公司的研究方向：流形约束可能成为新的研究热点

最后的思考

正如一位网友评论的：**"当字节的idea遇上DeepSeek的数学洁癖，就诞生了mHC。"**

这句话精准地概括了mHC的诞生过程：

字节跳动提出了HC的创意（扩展残差流）
DeepSeek用数学的方式解决了它的问题（流形约束）
两者结合，产生了一个既有创意又有严谨性的解决方案

我们期待mHC能够推动大规模模型训练技术的进一步发展，也期待DeepSeek团队带来更多令人惊叹的创新！

附录：核心概念速查表

概念	一句话解释
残差连接	让信息可以"跳过"某些层直接传递，防止梯度消失
超连接(HC)	把残差连接从单车道扩展成多车道，增强表达能力
流形约束	把参数限制在一个特定的"形状"上，保证稳定性
双随机矩阵	每行每列之和都等于1的非负矩阵，保证信号不放大
Birkhoff多面体	所有双随机矩阵构成的几何空间，是置换矩阵的凸包
Sinkhorn-Knopp算法	把任意矩阵投影到双随机矩阵的迭代算法
谱范数	衡量矩阵"放大能力"的指标，双随机矩阵的谱范数恒为1
内核融合	把多个GPU操作合并成一个，减少内存访问
选择性重计算	用时间换空间，只保存部分激活值
DualPipe	让计算和通信同时进行，隐藏通信延迟

链载Ai