华人学生立大功！新王Mamba-3直击Transformer死穴，推理效率碾压7倍

Transformer不保？今天，CMU普林斯顿原班人马杀回，新一代开源架构Mamba-3震撼降临。15亿参数战力爆表，性能比Transformer飙升4%。

Transformer「杀手」架构迎重磅升级！

就在今天，Mamba架构的「原班人马」正式发布了最新一代开源架构——Mamba-3。

论文地址：https://arxiv.org/pdf/2603.15569

与Mamba-2相比，Mamba-3对核心SSM做了三大改动：

• 改进了离散化过程，使其能够模拟卷积；
• 将状态转移引入复数域，以优化状态追踪；
• 采用MIMO架构提升推理利用率，在保持解码速度的同时增强模型表现。

结果证明，仅用一半的内部状态大小，Mamba-3实力便与Mamba-2相当。

在15亿参数规模下，Mamba-3 MIMO版本的平均准确率达到57.6%，比Transformer高出4%。

在长序列任务上，Mamba-3的端到端延迟仅为Transformer的七分之一。

剑指Transformer死穴

Mamba-3逆天改命

2017年，Transformer架构横空出世，成为当今LLM的基石。

然而，它是一个不折不扣的「算力黑洞」，随着对话长度增加，计算需求呈平方级增长，内存占用线性飙升，导致大规模推理成本极高。

为打破这一僵局，2023年，首个Mamba架构应运而生。

2024年中，Mamba-2发布，进一步打通了SSM与注意力机制之间的数学等价关系，训练速度提升2-8倍。

如今，由Albert Gu和Tri Dao联合指导、四位学生研究员主力操刀的Mamba-3，带着全新设计哲学登场。

Mamba-3代表着一种范式转移：从追求训练效率，转向「推理优先」的设计。

正如Albert Gu所说，Mamba-2的重点是打破预训练的瓶颈，Mamba-3则是为了解决「冷GPU」问题——

即在解码过程中，现代硬件往往是在干等着数据传输（内存移动），而不是在真正进行计算。

高效秘籍：摘要机器

作为一种状态空间模型（SSM），Mamba-3就像一个高效的「摘要机器」。

其核心逻辑与Transformer有本质区别。

Transformer每生成一个词，都要回顾全部历史token来理解上下文，历史越长负担越重。

而Mamba-3将历史信息实时压缩成一个固定大小的「内部状态」，你可以理解为数据历史的「快照」。

每当新信息进入，架构只需更新快照而无需重读全文。这就是SSM能做到固定内存、线性计算的根本原因。

对SSM来说，这个「快照」的大小（即状态大小）是决定性能的核心旋钮：

状态越大，能压缩的信息越丰富，模型越聪明，但推理时搬运数据的开销也越大，速度就越慢。

反过来，状态缩小一半，速度能快一倍，但模型可能会变笨。

Mamba-3的突破就在这里。它用仅为Mamba-2一半的状态大小，达到了与Mamba-2相当的语言建模性能。

聪明程度不变，速度翻倍——等于把SSM的性能-效率曲线整体往下推了一档。

推理优先，祭出三大核心杀招

Mamba-3是怎么做到的？这背后是一套全新的设计哲学：重新思考AI的「智能」与运行它的硬件速度之间的关系。

如果说Mamba-2是为了刷训练速度的记录，那么Mamba-3就是一种「推理优先」的架构。

所谓推理，就是用户在ChatGPT、Gemini或通过API使用AI的过程。

Mamba-3的核心目标是榨干GPU活跃的每一秒钟，确保模型在不让用户等待的情况下，进行最密集的「思考」。

围绕这个目标，Mamba-3祭出了三招——

• 数学上，更精准的离散化公式让模型的「记忆」更精确；
• 能力上，引入复数值状态，就像给模型装了个「内部指南针」，补上了逻辑推理的短板；
• 硬件上，MIMO机制让芯片不再「带薪休假」，把闲置算力全部榨干，让模型在生成每个词时进行更多「深度思考」，而用户等待的时间一点没变。

接下来逐一拆解。

三大核心技术

• 指数梯形离散化：从一阶到二阶的精度跃迁

Mamba-1和Mamba-2使用的离散化方法，本质上是一阶近似，类似于用一个端点的高度来估算一段曲线下的面积。

Mamba-3升级为「指数梯形法则」，同时参考两个端点进行加权平均，精度从一阶跃升到二阶。

这看似只是数学层面的微调，效果却出乎意料。

它在SSM的状态输入上隐式引入了一个宽度为2的数据依赖卷积，直接让Mamba-2中必不可少的短因果卷积模块变成了可选项。

消融实验显示，指数梯形离散化与B、C偏置项的组合，能够完全替代过去几乎所有线性模型都依赖的外部短卷积——这是架构简化的重要一步。

• 复数值SSM：给模型装上「内部指南针」

长期以来，Transformer的替代方案都有一个「逻辑短板」——在简单的状态追踪任务（比如判断二进制序列的奇偶性）中经常翻车。

根本原因在于，Mamba-2将状态转移矩阵限制为实数标量，无法表达「旋转」动态。

举一个直观的例子，奇偶校验本质上是一个翻转操作——每读入一个1，状态就翻转一次。这种翻转在数学上对应旋转，而实数域天然不支持旋转。

Mamba-3通过引入复数值状态空间解决了这个问题。

结果证明，离散化后的复数SSM，等价于在B、C投影上施加一种数据依赖的旋转位置嵌入（RoPE）。

这意味着可以用高效的「RoPE技巧」来实现复数运算，计算开销几乎可以忽略。

数据显示，在奇偶校验任务上，Mamba-3达到100%准确率，而Mamba-2只有0.9%，和随机猜测无异。

在模算术任务上，Mamba-3同样达到98.51%，Mamba-2仅47.81%。线性模型的推理能力终于能和最先进的系统平起平坐。

• MIMO：榨干每一分闲置算力

现在的AI模型大多受限于「内存带宽」。

一组数据足以说明问题：Mamba标准SISO解码的算术强度仅约2.5 ops/byte，而NVIDIA H100的bf16张量核心能力是295 ops/byte。

换算下来，GPU在解码时有超过99%的计算能力在空转。

Mamba-3引入多输入多输出（MIMO）公式，将状态更新从外积运算变成矩阵乘法。

当MIMO秩为4时，每一步的计算量增加到原来的4倍，但由于这些计算恰好填满了空闲的张量核心，解码延迟几乎没有增加。

kernel延迟测试验证了这一点。在bf16、状态维度128的常用配置下，Mamba-3 SISO解码延迟仅0.156毫秒，比Mamba-2（0.203毫秒）还快；MIMO版本为0.179毫秒，依然快于Mamba-2。

用一句话总结MIMO的哲学：不是让GPU跑得更快，而是不让它闲着。

全面碾压：从180M到1.5B

研究团队在4个参数规模（180M、440M、880M、1.5B）上进行了系统对比，对手包括Transformer、Mamba-2和Gated DeltaNet（GDN）三大基线。

所有模型使用相同的训练流程、100B FineWeb-Edu数据、Llama-3.1分词器。

在1.5B规模下，Mamba-3 MIMO以57.6%的平均准确率排名第一，领先Transformer 4%、Mamba-2 3.4%、GDN 3.2%。

即使是不使用MIMO的标准版Mamba-3 SISO，也以56.4%超越了所有非Mamba-3基线。

在端到端推理延迟上，16384个token的prefill+decode场景中，Mamba-3 SISO耗时140.61秒，而vLLM跑Llama-3.2-1B需要976.50秒，快了近7倍。

随着序列长度增长，线性模型的优势只会越来越大。

更值得关注的是上下文长度外推能力。所有模型仅在2K长度上训练，然后直接扔到更长的序列上测试。

结果显示，Mamba-3的语言建模表现一路稳步提升直到32K，而Mamba-2在超过训练长度后迅速崩坏。

这说明Mamba-3不仅在训练分布内更强，面对从未见过的长序列时也更加稳健。

混合架构才是终局

不过，Mamba-3团队对一个现实问题并不回避：纯SSM模型在检索任务上仍不如Transformer。

这很好理解。固定大小的状态就像一个容量有限的笔记本，而Transformer的KV缓存是一个可以无限扩展的档案柜。需要精确回忆「第三段第二句话说了什么」时，档案柜天然更占优。

他们的解法是混合架构：将Mamba-3层与无位置编码的自注意力层按5:1比例交替堆叠。

实验显示，这种混合模型在检索任务上超过了纯Transformer基线，同时保持了线性模型的高效推理能力。

这也印证了行业趋势，Nemotron-H、Kimi Linear、HunyuanTurboS都在走混合路线，把Mamba层和注意力层穿插组合。

未来最有竞争力的模型架构，大概率不是「非此即彼」，而是「各取所长」。

华人学生立大功

这次Mamba-3的一个突出特点是「学生主导」。

正如Gu在发布推文中写道：「这是第一个由学生主导的Mamba，所有功劳归于他们。」

Kevin Li

Kevin Li是卡内基梅隆大学机器学习系的博三在读生。

在此之前，他在佐治亚理工学院完成了计算机科学和生物医学工程的本科课程，导师是Polo Chau教授。

个人研究兴趣主要集中在开发高效的深度学习架构与方法，以及通过扩展推理端算力来提升模型的逻辑推理能力和通用性能。

Berlin Chen

Berlin Chen目前是普林斯顿大学计算机科学博士生，也是Together AI实习生。

此前，他曾获得了剑桥大学数学硕士学位，斯沃斯莫尔学院 （Swarthmore College）的数学与计算机科学学士学位。

Caitlin Wang

Caitlin Wang目前是普林斯顿大学计算机科学专业的大学生。

共同指导者之一的Tri Dao，越南裔美国人，斯坦福博士毕业后加入普林斯顿担任助理教授，同时也是Together AI的联合创始人兼首席科学家。

他更广为人知的身份是FlashAttention的发明者——这个几乎被所有主流AI框架集成的算法，直接改变了Transformer模型的训练和推理方式。2025年，他获得了Schmidt Sciences颁发的AI2050 Fellowship。

另一位指导者Albert Gu，华裔，CMU机器学习系助理教授，同时也是语音AI公司Cartesia的联合创始人兼首席科学家。

2024年，他被TIME杂志评选为「AI领域100位最具影响力人物」。

在X上，他的个人简介写着「leading the SSM revolution」（引领SSM革命），两年多内监督了Mamba三代架构的诞生。

可以说，整个SSM革命的理论根基，就是由这位华人学者一手奠定的。

参考资料：

https://venturebeat.com/technology/open-source-mamba-3-arrives-to-surpass-transformer-architecture-with-nearly

https://x.com/_albertgu/status/2033948415139451045?s=20

https://arxiv.org/pdf/2603.15569

文章来自于“新智元”，作者 “好困 桃子”。