Related articles
去年 1 月，春节前夕，「DeepSeek 冲击波」 席卷业界，中美同时 「破圈」，成为年度现象级事件。而 2026 年一开年，DeepSeek 又惊喜时刻进一步提前。
1 月 1 日，DeepSeek 在 AI 开源社区 HuggingFacear 和研究分享平台 arXiv 发布论文，提出了名为 mHC（Manifold-Constrained Hyper-Connections） 的新型神经网络架构优化方案，再次引发讨论热潮，其对 AI 产业，包括大模型、芯片等领域可能产生的影响也备受瞩目。
图片来自 DeepSeek 论文 「mHC：Manifold-Constrained Hyper-Connections「
mHC 架构让大模型训练更稳、更快、更省
DeepSeek 此次提出的 mHC 架构，建立在字节豆包大模型 Foundation 团队 2024 年 11 月发布的 Hyper-Connections（HC） 基础上。
彼时，豆包团队宣称 HC 有望替代大模型开发领域沿用近 10 年的 ResNet 残差神经网络架构，通过拓宽残差连接宽度，增加连接模式多样性，提升大模型性能和灵活性。
不过，HC 只在理论推演和小模型实验中取得了成绩，在大模型训练中，残差连接通道间的交互极易导致信号爆炸或消失，进而全盘失控，无法取得稳定的训练结果，可扩展性也随之降低，成本则大幅升高。
DeepSeek 在论文中称，mHC 的核心创新在于引入 Manifold-Constrained（流形约束），通过 Sinkhorn-Knopp 算法将残差映射矩阵投影到 「双随机矩阵」 构成的 Birkhoff 多面体上。
简单来说，这相当于为上述 「易爆」 的信号传播环节加上稳定器，确保信号在多层传递过程中受到约束，均值不变、总量守恒，以此解决 HC 在大模型训练中的稳定性、可扩展性问题。
DeepSeek 给出了 HC 和 mHC 在 270 亿参数级别训练中的演示数据，HC 在训练到 1.2 万步左右时信号放大倍数已暴增至 3000 倍，训练随之崩溃。
而 mHC 在同等训练中，信号放大倍数仅为 1.6 倍，全程平稳运行。与此同时，相较于传统架构，mHC 训练时的损失显著下降，BBH 数据集评测的困难任务推理能力和 DROP 数据集评测的阅读理解表现均提升 2% 以上。
图片来自 DeepSeek 论文 「mHC：Manifold-Constrained Hyper-Connections「
另外，DeepSeek 延续了 「高性价比」「效率优先」 的一贯风格，论文称研究团队同时设计了高效的基础设施优化方案，最终，在残差通道扩展 4 倍后，mHC 的额外训练时间开销仅为 6.7%。
DeepSeek 在论文中总结称，实验证明 mHC 在大规模训练中表现稳定，性能优越，具备良好的可扩展性，期望其能为拓扑结构设计提供新视角，并推动基础模型的演进。
值得一提的是，论文作者署名多达 19 人，核心作者为解振达、韦毅轩、曹焕奇，前两者均为清华大学高等研究院博士，也均进入过微软亚洲研究院联培项目，而 DeepSeek 创始人、CEO 梁文锋的名字则列于最后。
在 HuggingFacear 上，从 2024 年 1 月的 LLM 论文至今，DeepSeek 共发布了 23 篇重要论文，11 篇中有梁文锋署名，包括 MoE、Coder、R1、V3 等节点性重要成果。
或引发 AI 架构连锁反应，英伟达生态再获加持
mHC 发布后，在研究者、业界、媒体中都有较高的讨论度。相较于此前聚焦专门领域的 OCR、Math-V2 和在 V3 基础上更新的 V3.2，mHC 更被视为是一种底层创新，再加之新年伊始的节点，也更多被赋予了一层象征意义。
科技研究机构 Odmia 首席分析师苏连杰接受 Business Insider 采访时称，DeepSeek 可能会在 AI 领域引发连锁反应，竞争对手可能会着手开发类似的架构。
实际上，就在 DeepSeeK 发布论文的次日，普林斯顿和 UCLA 的研究团队就提出了名为 Deep Delta Learning 的架构，同样旨在更新 ResNet 的基本架构。
接连涌现的新研究，提升了业界对 2026 年大模型架构产生重大范式更新和迭代的期待。
苏连杰还认为，相关研究成果会在 DeepSeek 其后的新模型中有所体现。
不少机构预计 DeepSeek 将在春节前后进行重大发布，很可能是备受期待却推迟已久的 R2，并以此复刻去年的 「冲击效应」，也可能是更新更快的通用模型 V4，进一步激发实用性和经济价值。
不过，目前尚无可靠消息论证 mHC 是否会进入新模型。
去年春节期间，DeepSeek R1 给 AI 芯片产业带来巨大冲击，甚至一度被认为将颠覆 「算力为王」 的逻辑，让以英伟达为代表的美股 AI 芯片产业链公司股价大跌。此次，mHC 对算力、硬件端的影响也受到关注。
一份专家调研纪要显示，mHC 架构虽然通过效率提升、工程优化提升了整体算力的质效比，延续了 「无需堆算力就能打造顶尖大模型」 的叙事，但其本身依赖 FP32 高精度计算格式，对内存带宽和高速互联带宽也提出了更高要求，尤需高端芯片的支持。
而且，目前该架构主要针对英伟达超节点链路设计，更适配英伟达生态，而对国产芯片兼容性较弱。
实际上，此前 DeepSeek 推迟 R2 发布时，即有分析称缺少英伟达芯片是原因之一。如果这种架构规模化铺开，英伟达的生态短期内会得到优势强化，国产芯片则需着力强化编译层的适配。而长期来看，供应 mHC 架构的 AI 芯片需要提升存储带宽，并转向更加精细化的设计。
不过，值得注意的是，2025 年英伟达等制造商的美国 AI 芯片受地缘、政策因素影响逐渐淡出中国市场后，国产芯片替代大幅加速。相关厂商在提升性能以追赶领先者的同时，也逐渐在生态构建层面大举布局，华为昇腾、摩尔线程等都宣布适配 DeepSeek 大模型，不过其精度格式仍与英伟达有明显差距。
在国产芯片的生态突围中，与 DeepSeek 等领先大模型的深度耦合被认为至关重要。2026 年，英伟达、AMD 等国际巨头重返中国的努力、国产芯片的继续成长，以及大模型创新带来的变量，可能会让故事变得更加精彩。（作者｜胡珈萌，编辑｜李程程）
