2026年1月1日，AI 企业 DeepSeek 发布重磅研究成果 —— 题为《mHC：Manifold-Constrained Hyper-Connections》（《mHC：流形约束超连接》）的学术论文，该论文由 DeepSeek 创始人兼 CEO 梁文锋参与署名，解振达（Zhenda Xie）、韦毅轩（Yixuan Wei）、曹焕琪（Huanqi Cao）为核心贡献者。论文提出的 mHC（流形约束超连接）新网络架构，直指当前大模型训练中的核心难题，为下一代基础模型架构演进提供关键思路。
DeepSeek满血版体验链接： https://www.aitop100.cn/wise/chat
近年来，以超连接（HC）为代表的技术方案，通过拓宽神经网络 “信息传输通道”、丰富通道间连接模式，拓展了过去十年确立的残差连接范式，显著提升了模型性能。但 HC 架构的多样化设计，也带来三大核心问题：破坏残差连接固有的身份映射特性，导致大规模训练稳定性差；模型可扩展性受限；内存访问开销显著增加，制约大模型工业化落地进程。
针对上述痛点，mHC 架构构建了兼顾性能与效率的改进框架：一方面将 HC 的残差连接空间投影至特定流形，精准恢复身份映射特性，解决训练不稳定问题；另一方面通过严谨的基础设施优化，降低内存开销并提升运行效率。通俗而言，若将 AI 大模型类比为 “计算链路”，传统残差连接是 “窄管道” 易拥堵，HC 是 “宽管道” 却易因信息流过强 “崩裂”，而 mHC 则为 “管道” 加装 “智能调节阀”，实现稳定传输与资源节能的双重目标。论文实证数据显示，mHC 在大规模训练中表现出优异效果，不仅能带来切实的性能提升，还显著增强了模型可扩展性。
从 AI 行业发展视角看，mHC 架构的突破具备重要产业价值：其一，降低大模型研发门槛，助力算力有限的中小 AI 企业开发更复杂的大模型，减少硬件投入与训练周期；其二，推动大模型在高复杂度场景落地，如超大规模参数多模态模型、工业级智能决策系统等；其三，重新激活学界对大模型宏观架构设计的关注，深化拓扑结构对模型优化与表征学习影响的认知，为基础架构创新开辟新路径。
值得关注的是，此次 mHC 架构研究并非 DeepSeek 的偶然突破。2025 年以来，该企业虽未推出 R2 或 V4 等重大版本模型，但在迭代与开源领域持续发力：2025 年 11 月底，开源数学推理模型 DeepSeek-Math-V2，成为全球首个达到国际奥数金牌水平且开放使用的数学模型；12 月又同步推出 DeepSeek-V3.2 与 V3.2-Special 版本，持续夯实技术积累。行业人士评价，mHC 架构是 AI 底层技术创新，直击 Transformer 架构基础问题，结合此前技术沉淀，预计 DeepSeek 有望在 V4 版本中实现重大更新。
AITOP100（www.aitop100.cn）-AI资讯频道将持续关注 AI行业新闻资讯消息，带来最新AI内容讯息。
想了解AITOP100平台其它版块的内容，请点击下方超链接查看
AI创作大赛 | AI活动 | AI工具集 | AI资讯专区
AITOP100平台官方交流社群二维码：
