2026年新年第一天，国内领先的人工智能公司深度求索（DeepSeek）在预印本平台发布重磅研究论文，提出了名为“流形约束超连接”（Manifold-Constrained Hyper-Connections，简称mHC）的新一代神经网络基础架构，旨在突破当前大规模模型训练的核心瓶颈。尤为引人注目的是，这项前沿研究的前两名核心作者均出身清华大学，展现了该校在AI顶尖人才培养上的持续输出。

核心突破：为AI模型架构装上“智能调节阀”

该研究直指大模型训练的底层挑战。近年来，“超连接”（HC）架构通过拓宽神经网络的信息通道提升了性能，但也带来了训练不稳定、难以扩展和内存消耗大等工业化难题。

DeepSeek提出的mHC架构，被通俗地理解为给信息通道加上了“交通规则”或“智能调节阀”。它通过数学上的流形约束，在保留超连接性能优势的同时，恢复了信息稳定、高效传递的特性。这好比在一条拓宽但水流湍急的河道中设置了智能水闸系统，既保障了通航能力（性能），又防止了决堤风险（不稳定），还节约了维护成本（资源）。这一改进有望显著提升训练稳定性与扩展性，降低大规模AI模型的研发门槛与算力成本，为未来万亿参数乃至更复杂模型（如多模态、智能决策系统）的落地铺平道路。

论文指出，mHC为下一代基础架构演进指明了新方向，并可能重新激发学界对宏观神经网络拓扑结构设计的兴趣。有行业人士评价，此项针对Transformer最基础问题的底层创新，结合DeepSeek此前积累，或预示其将在未来的V4等版本中实现重大更新。

清华力量：论文前两位核心作者毕业于清华

本次研究的三位核心贡献者中，前两位均为清华校友。

  • 解振达（并列第一作者，排名第一）：于2023年获得清华大学高等研究院博士学位，研究方向为计算机视觉，曾参与发表Swin Transformer V2、SimMIM等具有影响力的工作，现为DeepSeek深度学习研究员。

  • 韦毅轩（并列第一作者，排名第二）：于2020年获清华大学自动化、经管双学士学位，2025年获清华大学高等研究院博士学位。其博士期间合著的Swin Transformer论文曾于2021年获得计算机视觉领域最高荣誉——ICCV马尔奖（Marr Prize）。

打开网易新闻 查看精彩图片

过去一年，DeepSeek虽未发布全新代际版本，但持续保持高强度迭代与开源，先后推出DeepSeek-V3.2系列及达到国际奥数金牌水平的数学推理模型。此次在新年首日发布架构层面突破性论文，并以扎实的“清华力量”作为研发先锋，再次展示了其在AI基础研究领域的深厚野心与强大实力。