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。

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。

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。"