去年年初，DeepSeek 横空出世，给市场带来了一波想象空间，也引发了一些恐惧、不确定和怀疑（FUD）。2026 年元旦，梁文峰并未率先推出产品，而是选择先发布论文。 DeepSeek 在 2026 年的首次发声，是一项提出全新模型架构的研究，名为 mHC（流形约束超连接），其目标是从“模型底层结构”本身出发，解决大型 AI 模型规模不断增大时，训练易不稳定、成本急剧上升的问题。 简单来讲，这篇论文所做的事情是：让模型能够变得更强、更复杂，但不会因此更易崩溃，也不会耗尽显存和算力。 目前主流的 Transformer 模型之所以能稳定训练，是因为有“残差连接”这一设计，确保信号在每一层都不会被破坏。然而，它也存在一个先天局限：信息只能通过一条路径传输，通道宽度有限。 近年来出现的 Hyper - Connections（HC）试图解决这一问题，其做法是将残差连接“加宽”，使信息能够多路并行流动，确实能够提升模型表现，但代价是：训练容易不稳定，模型层数加深就会出现数值爆炸；显存与通信成本大幅上升，难以大规模扩展。 mHC 的关键突破在于：并非否定 HC，而是对其进行有效管控。DeepSeek 的做法是对残差连接之间的混合方式施加严格约束，确保每一层只是“重新分配信息比例”，而不会偷偷放大或抵消信号。这使得模型在残差流变宽的同时，仍能保持过去 Transformer 引以为傲的训练稳定性。 实验结果表明，在 270 亿参数级别的大模型中，mHC 几乎没有显著增加训练成本，却能带来稳定且可扩展的性能提升。 换句话说，这篇论文并非在“调参”，而是在回答一个更根本的问题：未来的大模型，除了堆叠参数，能否从架构本身继续进化？ 从梁文峰署名且选择在元旦发布来看，这很可能并非单篇研究，而是 DeepSeek 下一阶段模型设计方向的开端。
