Mamba (Modèle à espace d'états)
Mamba est une architecture de modèle séquentiel introduite par Gu et Dao en 2023 qui atteint une complexité en temps linéaire tout en maintenant de fortes performances sur les tâches de modélisation du langage. En combinant les modèles à espace d'états avec une sélectivité dépendante de l'entrée, Mamba résout la complexité quadratique des transformeurs tout en préservant la puissance de modélisation.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Gu, A., & Dao, C. (2023). Mamba: Linear-time sequence modeling with selective state spaces. arXiv preprint arXiv:2312.08956. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Mamba: Linear-Time Sequence Modeling with Selective State Spaces. ScholarGate. https://scholargate.app/fr/deep-learning/mamba
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Modèles de Diffusion LatenteApprentissage profond↔ compare
- Autoencodeurs masquésApprentissage profond↔ compare
- Mamba VisionApprentissage profond↔ compare
- Vision TransformerApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →