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 Mamba 大语言模型在混合精度微调（MPFT）与参数高效微调（PEFT）下的递归动力学敏感性，结合经验对照与 Lyapunov 稳定性分析解释其鲁棒性，并考察这些微调方式下的上下文学习（ICL）能力。主要研究对象是自然语言任务中的 Mamba 与 Transformer LLM，并非 EEG 或 BCI 模型。 作者报告，在所考察的 MPFT 与 PEFT 组合下，Mamba LLM 对微调引入的变化表现出较强稳定性；相比之下，Transformer LLM 在部分组合下可能明显偏离各自的全精度对应模型。摘要未说明“偏离”的具体度量，不能直接解读为任务性能下降或训练发散。作者将 Mamba 的鲁棒性归因于递归动力学，并声称通过动力系统理论中的 Lyapunov 稳定性给出保证；该保证覆盖哪些状态、扰动与参数条件，以及是否能延伸至整个优化过程，尚需全文核对。 作者还利用 MPFT 与 PEFT 研究自然语言任务中的 ICL，但摘要未提供具体任务、数据集、模型规模、精度格式、PEFT 配置或结果数值。实验协议、消融及统计信息尚未验证，也不能由该摘要推断任意 Mamba 变体或微调配置均具有同样性质。 平台推测（待验证）：若其稳定性结论适用于经过 EEG 适配的状态空间模型，可用于检验低精度、低参数量微调是否导致递归状态或预测显著偏离全精度参照。可复用的是状态空间递归与稳定性分析思路，输入编码、通道组织和任务输出需针对 EEG 改造；理论条件对模型结构、监督方式与训练规模的依赖尚未明确。低信噪比、跨被试分布变化、通道缺失及小数据过拟合仍可能损害解码，即使递归状态稳定也不代表预测准确。一个可检验的小实验是在固定跨被试划分、初始化和训练预算下，对同一 EEG Mamba 实现比较全精度与选定 MPFT/PEFT 配置，分别记录状态扰动、预测差异及任务指标，以检验动力学稳定能否对应解码鲁棒性。已有相关 EEG 工作尚未检索确认。