<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Sequence Modeling on 中文AI术语词典</title><link>https://terms-en.ai-term-hub.com/zh/tags/sequence-modeling/</link><description>Recent content in Sequence Modeling on 中文AI术语词典</description><generator>Hugo</generator><language>zh-cn</language><lastBuildDate>Sat, 18 Jul 2026 11:44:45 +0000</lastBuildDate><atom:link href="https://terms-en.ai-term-hub.com/zh/tags/sequence-modeling/index.xml" rel="self" type="application/rss+xml"/><item><title>Mamba</title><link>https://terms-en.ai-term-hub.com/zh/terms/mamba/</link><pubDate>Sat, 18 Jul 2026 10:53:03 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/mamba/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>Mamba 通过引入硬件感知的选择性状态空间模型（SSM），代表了序列建模领域的重大进步。与随着序列长度呈二次方扩展的传统 Transformer 不同，Mamba 能够高效处理长序列。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>Mamba 是一种状态空间序列模型，它在保持 Transformer 在长上下文任务中性能的同时，提供了线性时间的推理速度。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>选择性状态空间模型&lt;/li>
&lt;li>线性复杂度&lt;/li>
&lt;li>硬件感知架构&lt;/li>
&lt;li>长上下文处理&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>长文档摘要&lt;/li>
&lt;li>基因组序列分析&lt;/li>
&lt;li>高频时间序列预测&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/transformer-%E5%8F%98%E6%8D%A2%E5%99%A8/">Transformer (变换器)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/rnn-%E5%BE%AA%E7%8E%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/">RNN (循环神经网络)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/ssm-%E7%8A%B6%E6%80%81%E7%A9%BA%E9%97%B4%E6%A8%A1%E5%9E%8B/">SSM (状态空间模型)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/attention-mechanism-%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6/">Attention Mechanism (注意力机制)&lt;/a>&lt;/li>
&lt;/ul></description></item></channel></rss>