已过期50% 置信观点精确时间
Mamba等状态空间模型（SSM）是时间递归与自注意力之间的折衷尝试，但推理能力仍与Transformer存在差距
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/14
首次发现
有效期至：2026/10/12(已过期)
来源
相关事实
待验证Mamba 等状态空间模型试图从架构层面解决长上下文的效率瓶颈71% 相似待验证业界持续探索线性注意力、稀疏注意力及状态空间模型（如Mamba）等替代架构以应对长上下文瓶颈69% 相似待验证LLM在长序列生成中因注意力稀释而遗忘之前约束的现象被称为「长上下文遗忘（Lost in the Middle）」，是当前Transformer架构的固有局限64% 相似待验证Substack作者分析指出，Mamba若要在长序列上维持表达能力，可能必须让表示空间以二次方式增长，从而在参数维度上重新遭遇二次需求63% 相似待验证SSM在长序列处理上具有线性时间复杂度优势，而标准Transformer的注意力计算复杂度为序列长度的平方62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/507156API
curl https://kongchang.com/api/v1/knowledge/claims/507156MCP
get_claim(id=507156)