1月1日，DeepSeek在新年前发布了一项重要研究，提出了一种名为mHC（流形约束超连接）的新网络架构。该架构旨在解决传统架构在大规模模型训练中的不稳定性问题，为下一代基础架构的演进指明了新方向。
新论文《mHC: Manifold-Constrained Hyper-Connections》由DeepSeek创始人兼CEO梁文锋及解振达、韦毅轩、曹焕琪等人共同完成。近年来，以超连接为代表的研究拓展了过去十年确立的通用残差连接范式，通过拓宽神经网络的信息传输通道和增加通道间的连接，提升了模型性能。然而，这也导致了大规模训练中的不稳定性、可扩展性受限及内存访问开销大的问题。
DeepSeek的这篇论文针对这些问题提出了改进框架mHC架构。这一架构类似于给超连接的信息通道加了一套“交通规则”，在保留性能优势的同时，恢复了信息原样传递的特性，使模型训练更稳定且更容易扩展，从而推动大模型底层架构的工业化落地。
简单来说，如果将AI模型想象成一个很长的“计算链条”，传统方法的问题在于信息传递时管道较窄，容易造成“堵车”。后来的方法是将管道加宽，虽然信息流更多，但水流过猛有时会冲坏水管。mHC相当于给水管加了“智能调节阀”，确保水流稳定，运行时更节省资源。
DeepSeek表示，mHC为未来研究开辟了多个前景广阔的路径，希望它能重新激发学界对宏观架构设计的兴趣。通过深化对拓扑结构如何影响优化与表征学习的理解，mHC或将有助于突破当前限制，并可能为下一代基础架构的演进指明新方向。
从行业意义上来看，mHC或许能让企业在训练更大规模的基础模型时减少硬件投入、缩短训练周期。算力有限的中小AI企业也能尝试开发更复杂的大模型，降低了大模型研发的门槛。此外，训练稳定性和可扩展性的提升能让大模型在更复杂的场景中落地，如需要超大规模参数的多模态模型和工业级的智能决策系统。
有行业人士认为，DeepSeek的这一研究是底层创新，这次创新的架构看向的是Transformer最基础的问题，结合此前的积累，预测DeepSeek有望在V4版本中做出重大更新。
自2025年初引发广泛关注以来，这一年DeepSeek虽未正式推出R2或V4等重大版本，但在模型迭代与开源上持续发力。仅12月就同步推出了DeepSeek-V3.2与V3.2-Special，11月底也开源了数学推理模型DeepSeek-Math-V2，成为目前首个达到国际奥数金牌水平并开放使用的数学模型。