待验证50% 置信事实精确时间
Mamba、RWKV等线性复杂度架构近年涌现，以应对Transformer的计算瓶颈
1
来源数
50%
置信度
长期有效
时效性
2026/7/13
首次发现
来源
神经符号AI架构：模拟神经递质与睡眠周期的新思路
redditr/deeplearning2026/7/11
相关事实
待验证当前纯SSM架构在语言建模质量上仍与Transformer存在差距，业界更多探索Mamba-Transformer混合架构（如Jamba）71% 相似待验证相比RNN/LSTM架构，Transformer支持大规模并行计算68% 相似待验证Feng et al.（2023）证明 CoT 可将固定深度 Transformer 的有效计算复杂度从 TC⁰ 扩展到 P 复杂度类67% 相似待验证The core computation of Transformer architecture is matrix multiplication, which aligns with GPU hardware strengths62% 相似待验证Transformer架构的计算复杂度相对序列长度呈二次增长，但高度并行化的特性使其在GPU上的训练效率远超LSTM和GRU架构62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/497366API
curl https://kongchang.com/api/v1/knowledge/claims/497366MCP
get_claim(id=497366)