DeepSeek 提出新架构 mHC 详解

mHC: Manifold-Constrained Hyper-Connections——把“超连接”拉回稳定轨道的残差新范式

这篇论文讨论了一个看似“简单但很关键”的问题：我们给残差流加宽、加连接（Hyper-Connections, HC）确实能涨分，但同时打破了残差里最重要的identity mapping性质，训练会不稳定、规模上不去，系统层面还会拖慢。作者提出 mHC（Manifold-Constrained Hyper-Connections），用流形约束把残差映射投影到双随机矩阵上，从理论与工程两端同时解决问题。

1. 背景：残差连接为何能稳定训练？

标准残差层的形式是：

x l + 1 = x l + F ( x l , W l ) \mathbf{x}_{l+1} = \mathbf{x}_l + \mathcal{F}(\mathbf{x}_l, \mathcal{W}_l)xl+1​=xl​+F(xl​,Wl​)

多层展开得到：

x L = x l + ∑ i = l L − 1 F ( x i , W i ) \mathbf{x}_L = \mathbf{x}_l + \sum_{i=l}^{L-1}\mathcal{F}(\mathbf{x}_i, \mathcal{W}_i)xL​=xl​+i=l∑L−1​F(xi​,Wi​)

这里的x l \mathbf{x}_lxl​就是 “恒等映射” 通道，保证信号能直达深层，避免梯度爆炸/消失。

2. HC 的核心思想与问题

HC 把残差流扩成n nn条并让它们相互通信：

x l + 1 = H l r e s x l + H l p o s t ⊤ F ( H l p r e x l , W l ) \mathbf{x}_{l+1} = \mathcal{H}^{\mathrm{res}}_l \mathbf{x}_l + \mathcal{H}^{\mathrm{post}\,\top}_l \mathcal{F}(\mathcal{H}^{\mathrm{pre}}_l\mathbf{x}_l, \mathcal{W}_l)xl+1​=Hlres​xl​+Hlpost⊤​F(Hlpre​xl​,Wl​)

• H l r e s ∈ R n × n \mathcal{H}^{\mathrm{res}}_l \in \mathbb{R}^{n\times n}Hlres​∈Rn×n：残差流之间的混合矩阵
• H l p r e , H l p o s t \mathcal{H}^{\mathrm{pre}}_l, \mathcal{H}^{\mathrm{post}}_lHlpre​,Hlpost​：读写矩阵

问题：多层串联后，∏ H r e s \prod \mathcal{H}^{\mathrm{res}}∏Hres会偏离恒等映射，信号会被放大或衰减到不可控，训练不稳定。

3. mHC 的核心思路：把残差映射约束到流形上

作者的关键直觉是：
既要跨流交互，又要保持全局“能量守恒”。

于是将H l r e s \mathcal{H}^{\mathrm{res}}_lHlres​约束为双随机矩阵：

P M r e s ( H l r e s ) = { H l r e s ∈ R n × n ∣ H l r e s 1 n = 1 n , 1 n ⊤ H l r e s = 1 n ⊤ , H l r e s ≥ 0 } \mathcal{P}_{\mathcal{M}^{\mathrm{res}}}(\mathcal{H}^{\mathrm{res}}_l)= \left\{ \mathcal{H}^{\mathrm{res}}_l \in \mathbb{R}^{n\times n}\;|\; \mathcal{H}^{\mathrm{res}}_l\mathbf{1}_n=\mathbf{1}_n,\; \mathbf{1}_n^\top\mathcal{H}^{\mathrm{res}}_l=\mathbf{1}_n^\top,\; \mathcal{H}^{\mathrm{res}}_l\ge 0 \right\}PMres​(Hlres​)={Hlres​∈Rn×n∣Hlres​1n​=1n​,1n⊤​Hlres​=1n⊤​,Hlres​≥0}

好处：

• 谱范数≤ 1 \le 1≤1，防止信号放大
• 闭包性：多层相乘仍是双随机矩阵
• 几何意义：Birkhoff 多面体 = 置换矩阵的凸包，等价于“稳定混合”

4. 参数化与 Sinkhorn-Knopp 投影

mHC 仍使用 HC 的动态+静态映射机制，但在输出时做约束：

H l r e s = Sinkhorn-Knopp ( H ~ l r e s ) \mathcal{H}^{\mathrm{res}}_l = \text{Sinkhorn-Knopp}(\tilde{\mathcal{H}}^{\mathrm{res}}_l)Hlres​=Sinkhorn-Knopp(H~lres​)

迭代形式：

M ( t ) = T r ( T c ( M ( t − 1 ) ) ) \mathbf{M}^{(t)}=\mathcal{T}_r(\mathcal{T}_c(\mathbf{M}^{(t-1)}))M(t)=Tr​(Tc​(M(t−1)))

• 先指数化保证正值
• 再交替行/列归一化
• 论文使用t max ⁡ = 20 t_{\max}=20tmax​=20

同时H l p r e , H l p o s t \mathcal{H}^{\mathrm{pre}}_l, \mathcal{H}^{\mathrm{post}}_lHlpre​,Hlpost​也用 Sigmoid 保证非负，避免正负抵消。

5. 训练不稳定的实证证据

下图展示 HC 在大规模训练中 loss 和梯度的异常波动：

图解：左图是 HC 相对 mHC 的 loss gap，右图是梯度范数。HC 在 12k step 处出现突增，证明残差流失控。

同时，HC 的残差映射组合出现极端放大（最大增益接近 3000）：

图解：横轴是层索引，纵轴是前向行和/反向列和的最大值。HC 的增益远离 1，代表严重失衡。

6. mHC 的稳定性对比

mHC 把增益控制在 1.6 左右：

图解：mHC 的单层与复合映射增益基本围绕 1，稳定性明显改善。

热力图对比也显示 mHC 更“平稳”：

图解：HC 显示高幅度混乱区域，而 mHC 更均匀，说明残差流混合受控。

7. 系统层面的优化：不仅能训练，还能跑得快

HC 的问题不仅在理论稳定性，还有系统开销：

• I/O 读写量随n nn线性上升
• Residual stream 变宽导致显存和通信开销大幅增加

mHC 通过三类优化降低开销：

7.1 Kernel Fusion

融合 RMSNorm + 线性投影 + Sigmoid / Sinkhorn 等步骤，减少内存访问。

7.2 Recomputing

只保存每L r L_rLr​层的输入，其他中间激活通过重算节省显存：

L r ∗ ≈ n L n + 2 L_r^* \approx \sqrt{\frac{nL}{n+2}}Lr∗​≈n+2nL​​

7.3 DualPipe 通信重叠

在 pipeline stage 间重叠 recompute 和通信，减小气泡。

图解：展示了 DualPipe 扩展后的调度方式，重点是把 FFN 的残差合并操作放到高优先级 stream，避免阻塞通信。

8. 主实验结果

27B 模型训练表现：

图解：mHC 在 loss 与梯度稳定性上接近 baseline，同时优于 HC。

性能表显示 mHC 稳定超越 baseline 和 HC：

9. Scaling 维度验证

mHC 的优势在更大计算预算下仍然保留：

图解：左图是 compute scaling（3B/9B/27B），右图是 token scaling（固定 3B 模型）。mHC 的相对收益稳定存在。

10. 附录要点（超参 & 训练配置）

论文附录给出 3B/9B/27B 的详细配置：

• expansion raten = 4 n=4n=4
• Sinkhorn 迭代t max ⁡ = 20 t_{\max}=20tmax​=20
• RMSNormϵ = 1 × 10 − 20 \epsilon=1\times10^{-20}ϵ=1×10−20
• 训练 token 数：3B(39.3B) / 9B(105B) / 27B(262B)

这些超参在大模型训练中保持一致，说明 mHC 的设计具备可扩展性。

11. 总结：为什么 mHC 值得关注？

• 从理论上保证稳定性：双随机矩阵 = “恒等映射的可控扩展”
• 从工程上保证可落地：kernel fusion + recompute + pipeline overlap
• 实证上稳扎稳打：loss 更稳、梯度更稳、下游表现更好

如果说 HC 是 “大胆扩宽残差流”，那么 mHC 就是 “给扩宽后的流做物理约束”，让它既自由又不失控。

12. 图示总览：核心结构对比

图解：左是标准残差，中是 HC（无约束混合），右是 mHC（投影到双随机矩阵流形）。mHC 的关键点是 “保留混合能力但防止信号失衡”。

本文参考自 mHC: Manifold-Constrained Hyper-Connections