文 |无言

新年第一天，DeepSeek悄悄发布了一篇论文。

这篇论文没办发布会，也没搞宣传，却在AI技术圈引发了不小的讨论。

论文提出了一种叫mHC的新架构，核心目标是解决大规模模型训练里的稳定性问题，同时还能保住性能提升的优势。

圈外人可能听不懂这些术语，但只要搞明白大模型训练的核心痛点，就能理解这篇论文的价值。

大模型就像个复杂的信息处理工厂，残差连接就是工厂里的传送带。

早期的传送带是单通道的，靠着“恒等映射”的设计，能保证信息完整传递，训练起来也稳定。

可随着模型规模越来越大，单通道传送带就不够用了，信息拥堵得厉害。

大模型训练的两难困境

为了解决这个问题，字节跳动的团队之前提出了超连接方案。

这个方案相当于把单通道传送带改成了多通道，信息传输效率确实提高了，性能也跟着提升。

但新的问题很快出现了。

多通道没有统一的调度规则，信息在传输中会出现放大或压制的情况，就像失控的跷跷板。

这种情况直接导致训练过程中梯度爆炸，模型训练到一半就崩溃了。

本来想简单说下这个问题的严重性，但后来发现不举个例子不行。

有头部AI企业试过用类似超连接的方案训练千亿级模型，结果训练进行到一万多步时就频繁中断，损失值突然飙升。

这可不是小问题，大模型训练一次要耗费大量的算力和资金，中途崩溃意味着之前的投入全打了水漂。

DeepSeek的mHC架构就是冲着这个痛点来的。

这篇论文的第一作者有三位，解振达、韦毅轩、曹焕琦，连创始人梁文锋都出现在了作者名单里。

从这个阵容能看出来，DeepSeek对这个研究的重视程度。

mHC的破局关键设计

mHC的核心思路不是废掉多通道，而是给多通道加一套智能调度系统。

这个系统靠Sinkhorn-Knopp算法实现，能把连接矩阵约束在双拟随机矩阵的流形上。

可能有人觉得这话说得太学术，其实简单理解就是给信息传输加了个安全范围。

双拟随机矩阵的行和列之和都是1，还都是非负数，能保证信息传播时能量守恒，不会出现突然放大或缩小的情况。

除了这个核心设计，mHC还对输入输出映射加了非负约束。

这样做是为了避免正负系数相互抵消，导致有用的信号丢失。

这些设计看似简单，却精准戳中了超连接的要害。

它没有否定超连接拓宽通道的思路，而是在这个基础上做优化，这种改良式创新往往比颠覆性创新更容易落地。

为了控制训练开销，DeepSeek还做了一套基础设施优化。

他们把多个计算步骤融合成一个算子，减少了内存读写的次数。

同时采用了重计算策略，前向传播时丢弃中间数据，反向传播时再重新计算，这样能大幅降低内存占用。

这些优化措施效果很明显，在扩展倍率为4的情况下，训练时间只增加了一点，却换来了稳定性的大幅提升。

实战检验mHC的价值

一款架构好不好用，最终还是要看实验数据。

DeepSeek用不同规模的模型做了测试，重点验证了27B参数模型的表现。

结果很直观，mHC彻底解决了超连接的训练不稳定问题，最终的损失值比传统基线模型还低。

在下游任务测试中，mHC的表现也全面超越了基线模型，在推理相关的任务上，比超连接还多了几个百分点的提升。

规模扩展实验也能说明问题。从3B到27B参数的模型，mHC的性能优势一直保持得很好。

哪怕训练数据量不断增加，这种优势也没有明显衰减。

这意味着mHC不仅在小模型上有效，在大规模模型上同样具备实用价值。

如此看来，mHC的意义不只是解决了一个技术痛点。

它更像是给行业指明了一个方向，大模型竞争不再是单纯堆参数、堆算力，架构的精细化设计同样重要。

之前很多中小企业因为训练不稳定、成本太高，不敢涉足大规模模型领域。

mHC的出现，说不定能降低这些企业的入局门槛。

总的来说，DeepSeek这篇开年论文确实分量十足。

mHC架构用巧妙的设计平衡了性能、稳定性和成本三个核心要素，给大模型架构的演进提供了新的思路。

对于AI行业来说，这种务实的技术创新，远比那些噱头式的突破更有价值。

未来随着更多企业跟进和优化，说不定会催生出更多高效稳定的大模型架构，让AI技术的落地变得更容易。