Mamba 架构和 Transformer 架构存在多方面的区别，具体如下：
- 计算复杂度1
- Transformer：自注意力机制的计算量会随着上下文长度的增加呈平方级增长，例如上下文增加 32 倍时，计算量可能增长 1000 倍，在处理长序列时计算效率较低。
- Mamba：基于状态空间模型（SSM），通过引入如 HiPPO 矩阵等技术，将计算复杂度降低为线性或对数复杂度，能更有效地处理长序列，在处理长输入和长周期数据时具有优势。
- 架构组成
- Transformer：包含编码器和解码器，内部有多个组件，如自注意力机制、多层感知机（MLP）、归一化层等，架构相对复杂2。
- Mamba：基于 SSM 构建，引入选择机制，不依赖注意力机制或 MLP 块，架构更为简化。可以看作线性注意力机制的一个特例，在移除特定维度后，其结构与线性注意力高度相似12。
- 信息处理方式2
- Transformer：对序列中的所有 token 信息一视同仁，均匀地处理序列的各个部分，在生成输出时会考虑序列中的所有 token 信息。
- Mamba：能够选择性地传播或遗忘信息，根据当前 token 决定信息沿序列长度的传播或遗忘，对序列数据的处理更加细致和高效。
- 推理速度与吞吐量2
- Transformer：推理时，随着输入序列长度增加，计算复杂度显著上升，推理速度会受到影响。
- Mamba：在推理速度上更快，具有 5 倍于 Transformer 的吞吐量，且在序列长度方面呈现线性扩展，在处理长序列时性能更稳定。
- 硬件适应性4
- Transformer：通常需要强大的计算资源来支持训练和推理，对硬件要求较高。
- Mamba：采用硬件感知并行算法，例如将需要频繁访问的状态存储在更快的 SRAM 内存中，模型参数存储在较大但较慢的 HBM 内存中，能更好地适应硬件，提高计算效率。
- 泛化能力与适用场景1
- Transformer：通用性强，在自然语言处理、计算机视觉等多个领域都有广泛且出色的应用，在捕捉长距离的相关性和复杂的时间序列模式方面表现较好，如在时间序列异常检测任务中更具优势。
- Mamba：在时间序列分析和预测、语言建模等任务中表现出色，在处理不同分辨率的时间序列数据，尤其是高分辨率数据时可能具有优势，在视频处理等多模态应用方面也展现出良好的性能和潜力，但在视觉任务、点云处理和图神经网络等领域还需要进一步验证。
