Mamba (Modelo de Espaço de Estados)
Mamba é uma arquitetura de modelo de sequência introduzida por Gu e Dao em 2023 que alcança complexidade de tempo linear, mantendo forte desempenho em tarefas de modelagem de linguagem. Ao combinar modelos de espaço de estados com seletividade dependente da entrada, Mamba aborda a complexidade quadrática dos transformers, preservando o poder de modelagem.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Gu, A., & Dao, C. (2023). Mamba: Linear-time sequence modeling with selective state spaces. arXiv preprint arXiv:2312.08956. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Mamba: Linear-Time Sequence Modeling with Selective State Spaces. ScholarGate. https://scholargate.app/pt/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.
- Modelos de Difusão LatenteAprendizado profundo↔ compare
- Autoencoders MascaradosAprendizado profundo↔ compare
- Vision MambaAprendizado profundo↔ compare
- Vision TransformerAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →