Mamba 状态空间模型是 Lyapunov 稳定的学习器

基于摘要分析。本文研究混合精度微调（MPFT）与参数高效微调（PEFT）如何影响大语言模型的稳定性，主要对象是 Transformer 与 Mamba LLMs，而非 EEG 或 BCI。其贡献是将微调条件下的模型差异与 Mamba 状态空间模型（SSMs）的循环动力学联系起来，并分析低秩适配的参数选择及上下文学习（ICL）能力。 作者报告，在不同 MPFT 与 PEFT 组合下，Transformer LLMs 可能显著偏离各自的全精度版本，而 Mamba LLMs 对这些变化更稳定。作者将这种鲁棒性归因于 Mamba SSMs 的循环动力学，并称使用动力系统理论、特别是 Lyapunov 指数证明了其稳定性。摘要未给出证明的适用假设、稳定性所指的具体对象或其与微调输出差异的严格联系，这些内容需核对全文，不能据此理解为任意训练条件下均有稳定性保证。 作者还报告，针对不同 Mamba 参数进行低秩适配会产生正则化作用并影响 PEFT 泛化，并结合 MPFT 与 PEFT 考察 Mamba 在自然语言任务上的 ICL 能力。具体模型规模、任务与数据集、精度配置、适配参数、对照基线、评价指标及结果数值未在摘要中提供；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若其稳定性机制适用于 EEG 序列模型，可能有助于评估低精度计算与小样本微调引入的性能波动。可复用的是循环状态稳定性分析和低秩适配参数选择思路；需改造输入表示与任务输出，并重新核对 EEG 模型中的动力学假设。原研究依赖语言序列与 LLM 微调设置，低信噪比、通道变化、跨被试分布差异及小数据可能使这种稳定性无法转化为解码泛化。一个可检验的小实验是在固定跨被试划分下，对同一 Mamba EEG 模型比较全精度微调与预先指定的 MPFT、PEFT 组合，记录相对全精度版本的预测偏差及任务指标变化。已有 EEG 相关工作尚未检索确认。