DeepSeek发布最新论文，破解大模型训练拥堵难题

北京时间2026年1月1日，DeepSeek团队在arXiv（预印本）网站和Hugging Face上同步发布了最新论文，名为《mHC: Manifold-Constrained Hyper-Connections》，论文的核心观点是提出一种名为“mHC”（直译为“流形约束超连接”）的框架，该框架改进了此前大模型训练中一种名为“HC（Hyper-Connections，超连接）”的范式，对大规模模型训练提供了切实的性能改进。

贝壳财经记者注意到，DeepSeek创始人梁文锋的名字出现在了这篇论文署名作者的最后一位上。事实上，虽然DeepSeek在2025年春节因为R1模型的开源发布而全球爆火，但在梁文锋的带领下，这家公司极其低调，团队一直潜心学术，未做过多的商业化尝试，一心扑在基础模型理论研发之上，梁文锋还在近期入选了《自然》2025年影响科学发展十大人物。

梁文锋的名字出现在论文作者最后一位。Hugging Face网站截图 论文重点讲了什么？

破解大模型训练拥堵难题

贝壳财经记者梳理发现，DeepSeek团队本次发布的论文瞄准了大模型训练的“地基”——残差连接范式，以及为了升级残差连接范式提出的HC（超连接）范式，是不折不扣的一次基础理论创新。

DeepSeek团队在论文中以严谨的数学公式解释了mHC，若以简单的语言来类比，大致可以理解为，残差连接是AI模型训练的“生命线”——它像一条单车道高速公路，让数据信号可以跳过某些层直接连接，从而解决了在此之前神经网络越大训练越困难的问题。

但随着大模型参数突破千亿，这条“单车道”越来越不够用，此时超连接（HC）范式登场，其把单车道扩建成多车道，从而显著提升了模型性能。但与此同时，过多的数据信号也导致了“堵车撞车”，就像多车道中没装 “交通信号灯”一样，使模型训练变得更加不稳定，容易崩溃。

此时，DeepSeek提出了一种新算法，给“多车道”增加了一套智能调度系统（即mHC“流行约束”），其要求每个路口的车必须全部分流出去，每个车道接收的车数量固定，从而大大增加了模型训练的稳定性。

主题：论文|模型训练|梁文锋|超连接|DeepSeek团队