【Deepseek的新论文】事件：2026年1月DeepSeek发布《DeepSeek mHC: Manifold - Constrained Hyper - Connections》（论文水印25-12-31），引发产业刷屏。1、 牛不牛？牛，架构层面的改良，海外讨论度高+风评好。何恺明resnet（残差训练）在2016年名声大噪（CVPR 2016 最佳论文），超连接HC（Hyper-Connection)加强残差。本篇mHC（Manifold-contrained HC)显著提升，解决训练扩展性、不稳定问题（典型值优化3个数量级）。有限硬件成本增加（典型增内存6.7%，一贯DeepSeek风格)2、大家关心的趋势和投资问题1）利好AI应用训练。特别适合残差高频领域，如图像视频和复杂特征逻辑推理（复杂难题）2）高普适性，尤其训练，尤其端侧。普适很多模型（论文里3B/9B/27B都有），低成本端侧训练/推理容易被显存占用问题缓解。此前残差训练容易梯度爆炸或内存等待3）内存/缓存/光器件/计算开销？不大的新增计算开销。论文里的n流残差流水线延迟，和Lr层mHC核心重计算，用流水线DualPipe 优化。论文典型值内存增加6.7%。新增缓存，如各阶段初始激活值Xlo本地缓存。但不大，因整计算丢弃核心中间激活值。光器件几无变化。光模块带宽与之前一致。减少存储io次数。大大提高训练稳定性，降低训练中断的重复IO。利好企业级ssd，减少高速ssd依赖。4）GPU利用率提升？GPU利用率大幅提高，典型值90%+。解决内存墙等待。本来残差计算不收敛，不稳定。论文提出，原HC虽然优化残差，但易导致信号 / 梯度失控，多流并行放大内存压力。mHC论文从Sinkhorn-Knopp算法开始优化。3、一贯的DeepSeek创新风格，努力优化一切AI Infra，存储、算力无需担心1）Transformer的基础架构并没有变化，没有提出新的模型范式。2）对Transformer中的重要组件（残差部分）进行了优化， 能够让模型的表达力更丰富, 并且能够使训练更加稳定。3）代价在HBM显存占用和带宽要求：读写对HBM显存占用和带宽要求更高 ，更依赖显存的优化，不然会存在memory wall。4）算力并没有通缩逻辑 ，靠infra把端到端开销压到6.7%：算力需求有提升但总体可控，算法更吃HBM带宽，但是DeepSeek再次发挥了自己infra的优势， 做了通信和计算的大量优化。 所以整体的开销算下来，且端到端的训练时间额外只增加了6.7%。4、资本市场整体影响1）这是更加学术性，实验性的论文，真正的影响可能在 DeepSeek v4 出来的时候才有。2）大家经过 deepseek1.0，已经能够理解，突破会带来更多的模型能力突破，带来更多的模型应用，而非“零和游戏”。5、有啥叙事性？1）deepseek 喜欢假期发布。坏习惯可能预示着...春节假期有什么发布也不足为奇。deepseek 的每一次论文发布，v4 就应该越近。2）这份 mHC 论文是建立在之前字节 HC 论文之上，做的一个实验性改良版。开源生态，导致了这个飞轮能够更快的转动。海外封闭模型，在路线技术上的改良，很难有这种“复利效应”；3）跑分是一回事，实验室能力是另一回事。deepseek 的论文继续给学术界带来新的观点，对于开源人才生态的影响也能有正向循环。