在人工智能技术快速发展的背景下，神经网络架构的创新成为推动模型性能提升的关键。
然而，传统超连接（HC）架构在扩展模型规模时面临训练不稳定、内存开销大等挑战。
深度求索团队的最新研究针对这一问题提出了突破性解决方案。
研究团队发现，传统超连接虽然通过拓宽残差流宽度和多样化连接模式提升了模型性能，但也破坏了残差连接固有的恒等映射特性，导致训练过程不稳定，限制了模型的进一步扩展。
此外，复杂的连接模式还增加了内存访问开销，影响计算效率。
为解决这些问题，深度求索团队提出了“流形约束超连接（mHC）”架构。
该架构通过将超连接的残差连接空间投影到特定流形上，恢复了恒等映射特性，同时结合基础设施优化，显著降低了计算开销。
实验数据显示，mHC在扩展率为4时，仅带来6.7%的额外时间开销，同时保持了高性能增益。
这一创新不仅为大规模模型训练提供了稳定高效的解决方案，还为神经网络拓扑设计开辟了新方向。
研究团队指出，mHC框架具有高度灵活性，未来可通过探索差异化几何约束，进一步优化模型的可塑性与稳定性平衡。
此外，该成果有望重新激发学术界对宏观架构设计的关注，推动下一代基础模型的演进。
深度求索团队近年来持续发力人工智能领域，先后发布了多款高性能模型，包括注重推理能力与输出长度平衡的DeepSeek-V3.2，以及具备长思考增强和数学证明能力的DeepSeek-V3.2-Speciale。
此次mHC架构的提出，标志着团队在基础理论研究方面取得重要突破。
大模型发展进入“深水区”，更强的能力不再仅靠规模增长实现，架构层面的稳定性设计与工程体系的效率优化日益成为决定性因素。
以mHC为代表的探索，折射出行业对“可扩展、可复现、可部署”的更高要求。
面向下一阶段，谁能在理论创新、系统工程与产业需求之间形成更紧密的耦合，谁就更可能在基础模型的长期演进中占据主动。