新年前夕，DeepSeek发表了一篇聚焦神经网络架构创新的核心论文，梁文锋以通讯作者身份署名。论文提出了流形约束超连接（manifold-constrained HyperConnection, mHC）架构，直指大规模模型训练中的稳定性难题。
这一工作为硬件受限的中国 AI 企业开辟了一条兼顾性能与效率的路径，也与字节跳动早前在残差流优化上的探索形成关键呼应，二者均瞄准残差连接这一模型基础架构进行改造。
DeepSeek的研究，恰恰是对字节跳动“超连接”技术短板的系统性补位。这一成果不仅为大模型底层架构的工业化落地提供了新方案，再度印证了硬件约束可转化为创新动力的产业演进逻辑。
自2016年ResNet 提出以来，残差连接已成为深度学习的骨架式设计。其通过“捷径连接”绕过层层非线性变换，从根本上缓解了梯度消失或爆炸的难题，支撑起越来越深的模型结构。
长期以来，业界创新多集中于注意力机制、MoE（混合专家）等模块，残差流本身处于一种“静默的稳定”中，直至2024 年字节跳动以超连接（HyperConnection）技术打破这一局面。
字节跳动的超连接通过拓宽残差流宽度、构建多路并行信号流，并让模型学习流间的交互模式，显著提升了模型表达能力。然而，该技术在规模化训练中暴露出致命短板：信号发散。
DeepSeek的测试显示，在270亿参数模型的训练中，约12000步后梯度范数剧烈波动，训练崩溃；更严重的是，信号强度在第60层膨胀至输入值的3000倍。问题的核心在于，超连接为追求表达力，放弃了残差连接原有的恒等映射约束——小规模下尚可调参掩盖，但在大规模训练中，这一缺陷被急剧放大。
mHC的核心创新，是将可学习的变换矩阵约束在双重随机矩阵（doubly stochastic matrix）构成的流形上。这相当于为信号传播设立“刚性预算”：矩阵每行、每列元素之和均为1且非负，确保输出信号强度严格介于输入信号的最大最小值之间，从而杜绝信号爆炸。
更关键的是，双重随机矩阵具有组合不变性——多层叠加后仍保持稳定。实验表明，在超连接出现3000倍信号放大的同一场景中，mHC的信号放大峰值仅为1..6倍。为控制计算开销，DeepSeek 采用Sinkhorn-Knopp 迭代进行投影，仅需20轮迭代即可收敛，额外训练成本被压制在6.7%。
硬件约束倒逼的不只是算法创新，更是全链路的系统级优化。超连接拓宽残差流后，每层数据读写量倍增，在A800/A100的有限互联带宽下，芯片极易陷入“等待数据远多于计算”的效率陷阱。DeepSeek通过三项关键技术破局：
1.算子融合：将内存访问模式相近的操作合并为单一GPU内核，减少数据搬运；
2.反向传播重计算：不存储中间激活值，改为实时重算，以计算换内存；
3.流水线并行优化：重叠跨GPU通信与本地计算，用计算掩盖通信延迟。
这些优化将原本随层数线性增长的内存开销，转化为可由模块大小控制的有界开销。配合基于 TileLang 编写的混合精度内核（bfloat16 为主，float32 保关键精度），实现了全参数规模下的稳定性能提升。测试中，30亿至270 亿参数模型搭载mHC后均表现优异，270亿模型在BIG-Bench Hard复杂推理任务上提升 2..1%，在 DROP阅读理解任务上提升2.3%。
此前，V3架构论文对应V3模型，R1推理论文对应R1模型；本次mHC论文在 2026 年春节前三周发布，外界普遍预期下一代旗舰模型（R2）即将亮相。
这种“论文先行”的策略，既通过同行评议建立技术公信力，又在复杂地缘环境中为原创性留下时间戳，更向全球传递一个明确信息：中国 AI 企业的核心竞争力，并非依赖尖端算力芯片。
DeepSeek选择通过arXiv、Hugging Face等开放平台而非传统期刊发布成果，虽牺牲部分学术声望，却换来了技术传播的速度与可达性。这种开放模式加速了知识扩散，也对同行构成直接竞争压力：当 mHC 的性能增益可量化、实现可复现时，西方实验室要么跟进类似技术，要么必须论证自身路径的优越性。
此前R1 型已触发推理模型研发热潮，mHC架构很可能推动残差流优化进入新一轮迭代。更重要的是，这一模式向技术管制者传递了清晰信号：硬件限制并未扼杀创新，反而迫使中国 AI 企业走向“从数学根源解决问题” 的最本质路径。
字节跳动与 DeepSeek，先后踏入同一条“突破传统残差流”的创新之河。前者率先探路，却止步于规模化瓶颈；后者在硬件约束的倒逼下，凭借数学约束与系统级优化，架起了一座可通航的技术之桥。
距离2026年春节仅剩六周，R2模型的发布将检验mHC架构的工业化成色。无论最终基准测试结果如何，这条“在约束中创新”的路径已具备里程碑意义——它清晰证明，AI 竞赛不只有“烧钱堆算力”这一条赛道。硬件限制从不是创新的绊脚石，而是催生真正核心突破的催化剂。