SSM
经典的Java Web后端框架组合，由Spring、SpringMVC和MyBatis三大框架组成，用于构建企业级Web应用
核心事实
时间轴 (近 90 天)
SSM 通过随时间演化的隐藏状态 h_t = A·h_{t-1} + B·x_t 压缩历史信息，输出由 h_t 线性映射得到，单步解码计算量与序列长度无关，显存占用恒定。
在自回归解码中，注意力层通常缓存所有历史 token 的 Key 和 Value（KV Cache），显存随序列长度线性增长，但每步只需追加、无需重算；SSM 层则只保留固定大小的状态。
SSM 的代价是状态容量有限，对需要精确检索远距离细节的任务表现弱于注意力机制。
混合模型通过在少量注意力层之间穿插状态空间模型（SSM）层，在保持长上下文能力的同时降低计算开销，正成为大语言模型架构演进的重要方向。
SSM 是一类以线性递推方式处理序列的架构，代表如 Mamba、Mamba-2 等。
在混合架构中，SSM 层与注意力层交替出现时，模型需要在层之间传递和恢复状态，频繁的状态存取会带来额外开销，在长序列生成场景下会制约解码吞吐量。
混合架构通常指将Transformer的注意力机制与状态空间模型（SSM，如Mamba）相结合的设计思路
LFM在架构上借鉴了状态空间模型（SSM）与液态网络的部分思想，旨在降低长序列处理时的计算复杂度
状态空间模型（SSM）把方向拉回固定大小的循环记忆，但使用不同的状态结构和更新规则
SSM的数学根源来自控制理论中的线性时不变系统，用矩阵A、B、C描述输入如何更新隐状态、隐状态如何映射到输出
还有 5 条时间轴事件
全部知识事实 (18)
以 Mamba 为代表的状态空间模型通过维护固定大小的隐状态压缩历史信息，推理时的时间和空间复杂度均为 O(1)
75%已验证SSM框架由Spring、SpringMVC和MyBatis三个框架组成
70%已验证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
65%已验证标准自注意力的计算复杂度为O(n²)，SSA通过让每个Token只关注最相关子集降低复杂度，理论上可压缩至O(n·log n)甚至O(n)级别
65%已验证SpringBoot通过自动配置（Auto-Configuration）和起步依赖（Starter）机制简化了SSM的XML配置工作
65%待验证在自回归解码中，注意力层通常缓存所有历史 token 的 Key 和 Value（KV Cache），显存随序列长度线性增长，但每步只需追加、无需重算；SSM 层则只保留固定大小的状态。
50%待验证混合模型通过在少量注意力层之间穿插状态空间模型（SSM）层，在保持长上下文能力的同时降低计算开销，正成为大语言模型架构演进的重要方向。
50%待验证在混合架构中，SSM 层与注意力层交替出现时，模型需要在层之间传递和恢复状态，频繁的状态存取会带来额外开销，在长序列生成场景下会制约解码吞吐量。
50%待验证SSM 是一类以线性递推方式处理序列的架构，代表如 Mamba、Mamba-2 等。
50%待验证SSM 通过随时间演化的隐藏状态 h_t = A·h_{t-1} + B·x_t 压缩历史信息，输出由 h_t 线性映射得到，单步解码计算量与序列长度无关，显存占用恒定。
50%待验证SSM 的代价是状态容量有限，对需要精确检索远距离细节的任务表现弱于注意力机制。
50%待验证混合架构通常指将Transformer的注意力机制与状态空间模型（SSM，如Mamba）相结合的设计思路
50%待验证LFM在架构上借鉴了状态空间模型（SSM）与液态网络的部分思想，旨在降低长序列处理时的计算复杂度
50%待验证状态空间模型（SSM）把方向拉回固定大小的循环记忆，但使用不同的状态结构和更新规则
50%待验证SSM的数学根源来自控制理论中的线性时不变系统，用矩阵A、B、C描述输入如何更新隐状态、隐状态如何映射到输出
50%待验证基于 Mamba 系列结构化状态空间模型的陆面预测系统会把非平稳的混杂事件吸收进状态转移矩阵中，导致持续的预测偏差
50%待验证SSM在处理长序列时的计算复杂度可降低到线性级别（O(n)）
50%待验证状态空间模型（SSM）推理时内存占用和计算量均为O(1)，而Transformer的KV缓存随序列长度线性增长
50%