深度分析
編譯器優先的狀態空間模型 SSD：XLA 與 O(1) 自迴歸快取在多平台上的實作
本研究針對狀態空間模型的推論效能，提出編譯器優先的 SSD 方案，利用 XLA 的融合與平鋪將 Mamba‑2 的 O(1) 自迴歸快取實現在 CPU、GPU、TPU 上，測得在 TPU v6e 上預填速率達 140 TFLOPS，解碼帶寬利用率最高 64%。顯示此方法在跨平台部署上具備高度可移植性。
深度分析
本研究針對狀態空間模型的推論效能，提出編譯器優先的 SSD 方案，利用 XLA 的融合與平鋪將 Mamba‑2 的 O(1) 自迴歸快取實現在 CPU、GPU、TPU 上，測得在 TPU v6e 上預填速率達 140 TFLOPS，解碼帶寬利用率最高 64%。顯示此方法在跨平台部署上具備高度可移植性。
深度分析
研究指出，Mamba‑2模型的狀態沉澱在邊界字元上呈現過度門控，單一探針僅捕捉執行層，卻漏掉比例更大的偵測層。兩層在表徵相似度上相近，但功能上差異顯著，刪除偵測頭會導致檢索表現崩潰。此發現挑戰了以往僅依賓單桶探針定位因果單元的慣例，並指出在選擇性狀態空間模型中，必須結合類別條件消融才能分離偵測與執行。