Mamba提出者再次挑战Transformer，或成为通用基础模型核心架构

作为美国卡内基梅隆大学的助理教授和美国 AI 初创公司 Cartesia 的联合创始人，Albert Gu 曾凭借联合提出 Mamba 这一新型序列建模架构而入选 TIME 100 AI，还曾入选 2025 谷歌研究学者计划名单。

图丨Albert Gu（来源：https://memento.epfl.ch/event/ai-cente）

最近，他和自己的韩裔学生黄锡俊（Sukjun Hwang）以及 Cartesia 技术团队的华裔成员 Brandon Wang 提出了一种端到端的分层网络（H-Net，hierarchical network）。

图丨黄锡俊（Sukjun Hwang）（来源：https://sukjunhwang.githu）

值得注意的是，作为一名华裔，本次相关论文的共同作者 Brandon Wang 高中毕业于美国加利福尼亚州的萨拉托加（Saratoga）高中，后于 2019 年获得国际数学奥林匹克竞赛（IMO，International Mathematics Olympiad）金牌，2024 年其本科毕业于美国麻省理工学院，之后便加入了 Albert Gu 的上述创业公司。

（来源：资料图）

首个真正端到端无分词器的语言模型

研究团队表示，H-Net 通过递归的、数据依赖的动态分块（DC，dynamic chunking）过程对原始数据进行压缩，代表了首个真正端到端无分词器的语言模型。该模型通过单阶段动态分块，当字节级的 H-Net 在参数规模超过 10 亿时，其困惑度和下游任务性能可与基于字节对编码（BPE，Byte Pair Encoding）分词的 Transformer 模型相媲美。

图丨相关论文（来源：arXiv）

据了解，H-Net 在保持分词化流程效率的同时，通过使用数据驱动、内容感知且上下文相关的分割机制，来取代人工设计的启发式规则，从而能够显著提升建模能力。

H-Net 采用了先前研究中的分层架构，这有些类似于自回归 U-Net：首先，原始数据由一个小型编码器网络进行处理；然后，进行下采样并传入在压缩块上运行的主网络；最后，进行上采样并传入在原始分辨率上运行的解码器网络。这种模块化设计构建了一个自然的处理层级结构，即外层阶段捕捉细粒度模式，而内层阶段则基于类似于传统分词的粗粒度表示进行运算。尽管主网络包含大部分参数，但是研究团队发现编码器和解码器网络通过使用状态空间模型（SSM，state space model）能得到显著改进，因为 SSM 具有用于压缩的归纳偏置。

据介绍，H-Net 的核心在于采用了一种新颖的动态分块（DC，dynamic chunking）机制，该机制能够连接主网络与编码器/解码器网络，在使用标准可微优化算法的同时，可以学习如何对数据进行分割。

动态分块技术由两种互补的新技术组成：首先是一个路由模块，该模块通过相似度分数预测相邻元素之间的边界；其次是一个平滑模块，该模块利用路由模块的输出对表示进行插值，以此减弱不确定边界带来的影响，并能显著提升可学习性。

研究团队还结合了以下创新技术：第一，结合针对目标降采样率设计的新型辅助损失函数；第二，结合基于梯度的离散决策现代学习技术。基于此，动态分块让 H-Net 能以完全端到端的方式学习数据压缩方法。

研究团队还引入了几种架构和训练技术，以便提高端到端优化过程中的稳定性和可扩展性。这些措施包括：一方面，精心设置投影层和归一化层，以便平衡交互子网络之间的信号传播；另一方面，根据每个层的维度和有效批大小调整优化参数，而这些参数在层级结构的不同阶段会发生变化。据介绍，H-Net 通过学习与主干网络共同优化的分割策略，根据上下文信息动态地将输入向量压缩成有意义的块。研究团队在论文中写道，从经验上看，动态分块模块会自然地将数据压缩到与 BPE 分词器相近的分辨率（4.5-5 字节/块），并且能定性地学习到有意义的边界，整个过程无需任何外部监督或启发式方法。

（来源：arXiv）

此前的端到端方法存在训练不稳定性

据了解，深度学习的一个整体目标是从原始数据中学习有意义的模式，以端到端的方式自动提取特征并构建抽象概念。然而，固定词汇分词——即通过 BPE 等算法将原始文本压缩成预定义块的过程，仍然是现代语言模型中普遍存在的手工预处理步骤。

分词存在诸多已被充分证实的缺陷：字符级理解能力薄弱、缺乏意义和可解释性，以及在复杂语言和模态上性能会出现下降等。而使用单一的端到端模型取代分词-语言模型-去词化流程，也更加符合深度学习的本质。理想情况下，随着数据和参数的增加，其扩展能力也会更强。

然而，分词仍是语言模型和其他序列数据中不可或缺的组成部分，因为它能够对序列进行压缩和缩短。截至目前，在计算资源相当的情况下，还没有任何端到端的无分词器模型能达到基于分词器的语言模型的性能水平。

近期的一系列研究开始致力于克服自回归序列模型中的分词问题，但这需要解决一系列复杂的技术挑战。尽管可联合训练的边界预测器是理想的解决方案，不过它们需要在无监督的情况下优化离散选择操作，这从根本上而言是一个极具挑战性的问题。因此，现有的端到端方法存在训练不稳定性，这使得模型无法扩展到更大规模，也无法嵌套多级层级结构。

从根本上讲，创建无分词器架构需要将数据分块过程直接整合到模型中，同时克服大规模场景下在效率、可学习性和稳定性方面的挑战。基于此，研究团队开展了本次研究。

有望成为通用基础模型的核心架构

研究团队在论文中表示，除了解决分词问题外，H-Net 在多种场景下改进了通用序列建模。分块是从低级数据构建高级抽象概念的过程，而语言模型中的子词分词是分块的一种特殊情况，同时也是智能的核心组成部分。

更重要的是，由于 H-Net 是完全端到端的，因此它可以递归迭代，同时主网络本身也可以是一个 H-Net。从直观上看，更多的分块阶段代表着更高阶的含义。就像字符可以组合成单词一样，单词也可以组合成从句、句子，乃至更复杂的单位。所以，对层次结构进行迭代应该能够实现计算资源和参数的更高效利用，并能更有效地对压缩后的表示进行推理。研究团队表示，H-Net 代表了一种新型的基础模型架构，它不仅克服了分词问题，还能发现并处理从原始数据中学习到的抽象特征，从而在更少的预处理情况下构建出更高质量的模型。

当将 1 阶段 H-Net 迭代为 2 层级阶段，其性能得到进一步提升，且显著优于所有基线模型，不仅训练曲线更陡峭，在数据扩展方面也表现更佳。字节级的 2 阶段 H-Net 仅用 300 亿训练字节就超越了性能强劲的分词 Transformer 的困惑度，且这一差距在整个训练过程中不断扩大，同时其下游任务评估结果与规模为其两倍的分词 Transformer 相当。

而由于 H-Net 中的编码器和解码器网络具有双重目标和计算需求，因此它们面临着独特的设计约束。每个编码器必须同时做到以下两点：其一，通过残差连接保留细粒度信息，以传输至其对应的解码器；其二，将输入压缩成具有更丰富表示的块，以供主网络使用。同时，解码器必须有效地将主网络的粗粒度表示与编码器残差的细粒度细节结合起来。同样重要的是，编码器和解码器均作用于未压缩的序列，这使得计算效率成为一项显著的设计约束，进而影响着研究团队的架构选择。

近期有研究表明，SSM 在处理包括音频、DNA 序列和机器人控制信号在内的细粒度数据方面表现出色。基于这些见解，研究团队采用 Mamba-2 层作为编码器和解码器网络的主要构建模块。这一选择带来了两个显著的好处：一是能够有效处理细粒度的输入，二是在处理较长且未压缩的序列时效率得到了大幅提升。消融实验表明，基于 SSM 的编码器/解码器不仅在字节级别上显著优于 Transformer 层，甚至在更粗糙的输入上也是如此，研究团队认为这归因于它们对压缩具有更强的归纳偏置，因此有助于构建抽象表示。

这一设计体现了两个关键原则：首先，压缩序列使得每个块能够分配到更多的参数和计算资源；其次，更高层次的抽象化受益于增强的处理能力。

主网络起到标准语言模型的作用，并且可以采用任何序列混合架构。研究团队默认使用 Transformer 层有两个原因：第一，压缩表示与 Transformer 在处理离散、语义丰富的 tokens 方面的优势高度契合；第二，实验中能够与传统基于 BPE 的 Transformer 基线进行更可控的比较。不过，这种模块化设计也允许直接替换为其他架构。

（来源：arXiv）

与标准各向同性模型相比，H-Net 的结构引入了多个新的架构参数维度，以便平衡每个网络的参数/计算分配。最终，H-Nets 实现了以下优势：

其一，它具备较好的鲁棒性：在无需特殊数据混合的情况下，经过预训练的 H-Net 对文本扰动的鲁棒性显著优于基于分词的 Transformer，这一点在含噪声的 HellaSwag 基准测试套件上得到了验证。

其二，它具备较好的可解释性：通过对学习到的边界进行定性可视化分析，研究团队发现 H-Net 能够自动识别语义连贯的单元，同时无需显式监督。这验证了端到端学习可以成功检测出传统上通过人工分词强加的结构模式。

其三，它在其他语言上具有优势：H-Net 带来的改进在那些缺乏明显分割线索的语言上更为显著（包括中文和代码）。在 XWinograd-zh 数据集上，相比基于分词的 Transformer，H-Net 的分数从 59.9 提升至 66.3。在 DNA 语言建模中也是如此，与各向同性模型相比，H-Net 的数据效率提升了 3.6 倍。