人工智能领域正迎来一场革命性的变革，Mamba与Transformer的强强联合成为学界新宠。

在计算机视觉前沿，英伟达团队打造的MambaVision惊艳亮相CVPR 2025。该模型采用创新的四阶段分层架构：前两阶段依托CNN层实现高分辨率特征快速提取，后两阶段巧妙融合Mamba与Transformer模块。研究团队对Mamba模块进行深度改造，用常规卷积替代因果卷积，并创新性地引入对称分支结构。这一突破性设计使MambaVision在Top-1精度和图像吞吐量上双双刷新纪录，树立了新的性能标杆。

自然语言处理领域。腾讯推出的Hunyuan-TurboS作为全球首款超大规模混合Transformer-Mamba MoE模型，开创性地解决了传统Transformer在长文本处理中的效率瓶颈。该模型充分发挥Mamba的长序列处理优势和Transformer的上下文理解能力，在训练优化和奖励机制方面均有重大创新。

这两项突破性研究开创了Mamba与Transformer融合的新范式，在各自领域树立了新的里程碑。

当前该领域研究热度持续升温，成果频出。我精选12篇前沿论文，为研究者深入理解这一技术趋势提供有力参考。

【论文精读】MambaVision：混合视觉骨干网络新标杆

1. 创新架构解析

MambaVision采用独特的四阶段分层架构：

• 前两阶段：基于CNN层实现高分辨率特征快速提取，采用特定残差块公式
• 后两阶段：创新融合MambaVision与Transformer模块
• 特征处理：图像输入转换为重叠补丁并投影至嵌入空间
• 分辨率优化：通过批归一化的3×3 CNN层实现阶段间下采样

关键技术突破：

• Mamba模块重构：用常规卷积替代因果卷积，新增无SSM对称分支
• 特征融合：采用通用多头自注意力机制，显著提升视觉任务性能

2. 核心创新亮点

• Mamba模块重构：优化原始架构，专为视觉任务定制，实现精度与吞吐量双提升
• 混合架构探索：系统研究Mamba与Transformer集成模式，发现后期融入自注意力模块可显著增强全局上下文捕捉能力
• 性能突破：在ImageNet-1K数据集上实现Top-1准确率和图像吞吐量双SOTA，全面超越Mamba、CNN和ViT模型

论文链接：https://arxiv.org/pdf/2407.08083

【腾讯重磅发布】Hunyuan-TurboS：超大规模混合Transformer-Mamba MoE模型

1. 技术架构解析

Hunyuan-TurboS开创多项原创性技术：

• 架构创新：融合Mamba与Transformer优势，Mamba将长文本处理复杂度降至O(n)，显著降低缓存占用，Transformer确保上下文深度理解
• 训练优化：引入慢思考机制提升数理推理能力，通过精细化指令调优增强人机交互体验
• 奖励机制：创新性整合规则评分、代码沙箱反馈和生成式奖励，确保输出质量

2. 创新亮点

架构创新

• 混合架构：开创性融合Mamba与Transformer，实现显存与计算效率双优化
• MoE机制：采用动态专家混合机制，长文处理成本降低超60%

训练优化

• 慢思考集成：整合混元T1慢思考模型数据，显著提升数学、编程和推理任务表现
• 指令调优：精细化指令调优增强模型对齐性，优化Agent执行能力
• 英语优化：针对性英语训练优化，提升全球场景适用性

奖励系统

• 规则评分：基于规则的评分验证机制确保输出可靠性
• 代码沙箱：引入代码沙箱反馈，显著提升STEM领域准确性
• 生成式奖励：创新性采用生成式奖励优化问答与创意任务

项目链接：https://x.com/TXhunyuan/status/1899105803073958010