【第507期】mHC：流形约束超连接的大规模稳定训练

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

今天的主题是：

mHC: Manifold-Constrained Hyper-Connections

Summary

近年来，以 Hyper-Connections（HC） 为代表的研究，通过扩展残差流的宽度并多样化连接模式，对过去十年中广泛采用的残差连接范式进行了拓展。尽管这种多样化带来了显著的性能提升，但它从根本上破坏了残差连接所固有的恒等映射（identity mapping）属性，从而导致严重的训练不稳定性和可扩展性受限，并且还引入了显著的内存访问开销。

为了解决这些问题，我们提出了 流形约束的 Hyper-Connections（Manifold-Constrained Hyper-Connections，mHC），这是一种通用框架：通过将 HC 的残差连接空间投影到特定流形上，以恢复恒等映射属性；同时结合严格的系统级优化，以确保整体效率。

大量实证实验表明，mHC 能够有效支持大规模训练，在带来可观性能提升的同时，展现出更优的可扩展性。我们期待 mHC 作为 HC 的一种灵活且实用的扩展，能够促进对拓扑结构化网络架构设计的更深入理解，并为基础模型的演进指明富有前景的方向。

原文链接：https://arxiv.org/abs/2512.24880