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。

　　论文配图HC与mHC的训练损失差距，其中淡蓝色线为HC，蓝色线为mHC。论文截图

　　最终，DeepSeek在论文中以直观的测试展示了mHC方法相对于HC的稳定性。

　　理论创新

　　站在何凯明团队和字节跳动的肩膀上

　　值得注意的是，本次DeepSeek的论文，是站在了AI“大神”何凯明以及字节跳动的肩膀上。

　　这是因为，残差连接正是2015年由何凯明等人在微软亚洲研究院所提出的，何恺明还因此获得了CVPR 2016最佳论文奖，残差连接之后也成了几乎所有主流大模型的“标配”。

　　直到2024年，为了解决残差连接信号通道不够“宽阔”的问题，字节跳动旗下团队提出了HC（超连接）范式，但由此也带来了稳定性不够的问题。而DeepSeek正是在前人的基础上进一步进行了优化。

　　2026年的第一天，在诸多大模型公司聚焦商业化和变现之际，DeepSeek此举进一步证实了自己在基础模型领域的战略定力。

　　在本次发布论文的文末，DeepSeek团队写道，“我们希望mHC能重振社区对宏观架构设计的兴趣。通过加深对拓扑结构如何影响优化和表示学习的理解，mHC将有助于解决当前的限制，并有可能为下一代基础架构的发展指明新途径。”