状态空间模型

状态空间模型是什么？

处理一段序列（比如一句话），Transformer 的做法是让每个词都去看所有其他词——信息足，但代价是计算量随长度「平方级」暴涨。状态空间模型（State Space Model，SSM）换了个思路：像一条缓缓流动的河，用一个不断更新的「隐藏状态」把前面看到的信息压缩、带往后面，边读边更新。这样处理长序列时，内存和时间都更省。

它和 Transformer 差在哪？

Transformer：全员互看
每个位置都关注所有位置，效果好，但越长越贵。
SSM：状态接力
只靠一个「状态」往下传，处理超长文本时更有优势。

它为什么突然火了？

线性复杂度
长度翻倍，成本只翻一倍左右，而不是平方倍，长文本非常划算。
长程依赖
对「前文和当前相隔很远」的场景，SSM 也能保持记忆。
硬件友好
计算模式规律，便于在 GPU 上高效运行。

它的代表与局限

Mamba 就是最出名的 SSM 变体之一。SSM 在长序列、实时推理上很有潜力，不过在需要「全局精细对比」的任务上，Transformer 仍占上风。两者未来很可能是互补，而非取代。

一句话记住：状态空间模型是处理序列的「新路线」——用压缩的状态接力，换来长文本上的高效率。