ThreeChainMamba3 🧬 三链 DNA-Mamba3

🌳 想看世界树的分支吗？三螺旋带你见证未来。 Care to witness Yggdrasil’s branches? Three helices bear every future.

三链 = 世界树的根/干/枝：时间链 h_t 深入时间长河（树根），空间链 h_s 展开世界结构（树干），因果链 h_c 分叉出多种未来（枝叶）。 同参数 Transformer 看不见枝叶（zero_ratio=1.0 全猜 0），三链在长程外推里看见每一个分支（OOD decay≈0）。

Three-Chain DNA-Mamba3 for Long-Range Spatiotemporal Extrapolation 基于 Mamba3（dt-RoPE 复数状态空间 + 梯形离散化）的三链状态空间模型，用于多智能体长程时空预测，长程外推不退化。

---

📌 项目概述（面向沐曦青年开源专项基金评审）

项	内容
项目名	ThreeChainMamba3（三链 DNA-Mamba3）
一句话简介	基于 Mamba3（dt-RoPE 复数状态空间 + 梯形离散化）的三链 SSM + BP v2.1 碱基对耦合，用于多智能体长程时空预测；在国产沐曦 MXMACA GPU 上可零修改迁移
核心创新	三链（空间 / 时间 / 因果）异构扫描同一张量 + AnchorInit2 结构性锚定 + PairwiseBasePairMamba3 两两碱基对耦合（v2.1加法独立调制）
实验亮点	GridWorld（参数扩展 30M->1.13B）+ SDD 真实数据（bookstore+nexus）+ C500国产GPU 32场景BP v2.1验证
国产 GPU 落地	mamba_ssm 基于 Triton，沐曦 Triton-MXMACA 编译后端可零修改适配，适合端侧人形机器人多智能体实时推演
开源许可	MIT（OSI 认可）

🌟 Nexus 多智能体场景核心亮点（评审首页直读）

SDD nexus（12 视频，多 agent 交互复杂场景）是本工作独有的差异化验证，下面精简表给出三项最关键指标——因果通道贡献、Agent 身份学习、长程衰减控制。完整数据见 SDD 章节 与 paper/Nexus消融实验验证报告.pdf。

核心指标	bookstore（7 视频，简单场景）	nexus（12 视频，复杂场景）	差异化结论
Agent 身份识别 agent_id_acc	0.055（< 随机 0.067，未学到）	0.153（> 随机 0.067，2.3×）	多场景数据让 SSM 学到 agent 身份
因果通道贡献 ablate_c	+22%（噪声，单场景学不好）	-55%（重要，多场景学到信号）	多场景让因果链从噪声升级为关键
pos_iou 长程衰减 (window)	-10.9%	-6.9%（更小）	nexus 稳态衰减反而更可控
三链整体贡献 ablate_all	-71%（三链必需）	-45%（保留 55%）	AnchorInit2 在多场景更强
shuffle sanity agent_id	0.000（完全坍缩）	0.000（完全坍缩）	双场景 shuffle 验证通过

核心叙事：SSM 在多智能体复杂场景下不仅不退化，还能学到 agent 身份动力学（2.3 倍随机基线），因果链在多场景下从噪声升级为关键贡献链——这是同参数 Transformer 完全无法做到的差异化能力。

为什么重要

长程时空外推（long-horizon spatiotemporal extrapolation）是世界模型的核心能力：模型在训练时观察 T_train 步序列，推理时需对 T_eval ≫ T_train 的未来做预测。Transformer 受注意力二次复杂度与位置编码外推能力限制；近年 SSM（Mamba/Mamba2）在线性复杂度下展示出长程建模潜力，但其外推稳定性随规模放大是否保持，此前缺乏严格验证。

本工作在 O(N) 线性复杂度 下，于 [100M → 1.13B] 参数区间验证长程外推不退化（单点 decay 与窗口 decay 双双全部落在 ±2% 内，1B 三 seed spread 仅 0.5%），并经三个控制实验（随机标签 / 多 seed / 步数对照）严格证明这是真实泛化而非指标噪声。

🎯 一图看懂：三链 vs Transformer 长程外推

训练 T=100 步，评估 T=150 步（超训练 50%，从未见过的长度）。同参数 Transformer-tiny（3.43M）在 OOD 区完全塌缩成全猜 0（zero_ratio=1.0），三链 SSM（3.26M）OOD changed_acc 稳定在 0.5952 ± 0.0034，decay ≈ 0。一眼可见「不退化」的核心优势。

沐曦 GPU 落地路径

• mamba_ssm / causal_conv1d 的 CUDA kernel 全部由 Triton 编写，与硬件后端解耦；
• 沐曦 MXMACA 软件栈提供 Triton 编译后端（Triton-MXMACA），可在不修改任何 Python / Triton 源码的前提下编译本仓库的全部 kernel；
• 端侧人形机器人多智能体实时推演场景：线性复杂度 + 1B 量级不退化 → 适合在沐曦端侧 GPU 上做长时序多智能体世界模型推演。

⚡ 快速验证（一键复现，评审可运行）

仓库含完整可运行源码（非纯文档项目），关键文件：

文件	作用	行数
models/three_chain_mamba3.py	三链 SSM 核心架构（HeteroMamba3 + ThreeChainMamba3 + PairwiseBasePairMamba3）	~430
train.py	训练入口（含 balanced_ce_loss + OOD eval）	~250
eval_ood.py	OOD 长程外推评估（T=150 曲线 + decay 指标）	~200
data/dataset.py	GridWorld + SDD 数据加载（含 shuffle_labels sanity）	~150
data/gen_sdd_grid.py	SDD 真实数据 → .npz 网格化	~200
scripts_sdd/eval_ood_advanced.py	高级指标分解（pos_iou / agent_id / enter / leave）	~220
scripts_sdd/eval_negative_shadow.py	三链负面分身消融评估	~180

📦 秒级验证（无需训练，直接下载预训练权重）

不想花几小时训练？直接下载 3.26M GridWorld 预训练权重（best.pt，39 MB），10 秒内见证 OOD 长程外推不退化：

# 1. 下载预训练权重（从 GitHub Release 或 GitLink Release）
#    GitHub:  https://github.com/lululudj/trihelix-mamba/releases/download/v1.0-weights/best.pt
#    GitLink: https://www.gitlink.org.cn/lulululudj/ThreeChainMamba/releases
curl -L -o best.pt https://github.com/lululudj/trihelix-mamba/releases/download/v1.0-weights/best.pt

# 2. 直接跑 OOD 长程评估（训练 T=100 → 评估 T=150，1.5× 外推）
python eval_ood.py --checkpoint best.pt \
                  --config configs/matched_mamba2.yaml \
                  --data_root ./data/ood_T150
# 期望输出: OOD changed_acc ≈ 0.59, ood_decay_pct ≈ 0% (不退化)

💡 上面的 best.pt 是 3.26M 三链主力模型（GridWorld 100 步训练），OOD changed_acc@T=150 = 0.5952 ± 0.0034，decay ≈ 0。SDD 30M 模型 checkpoint 因体积较大（>100MB）未入 Release，可联系 owner 获取。

🛠️ 从零训练（完整复现）

# 1. 环境（mamba_ssm 需 --no-build-isolation 避免 torch 隔离）
pip install -e . --no-build-isolation

# 2. 训练（30M 模型, 任何 GPU 单卡可跑）
python train.py --config configs/matched_mamba2_30m.yaml --max_steps 500

# 3. OOD 长程评估（训练 T=100 → 评估 T=150, 1.5× 外推）
python eval_ood.py --checkpoint results/matched_mamba2_30m/best.pt \
                  --config configs/matched_mamba2_30m.yaml \
                  --data_root ./data/ood_T150

# 4. SDD 真实数据高级指标（含 position_iou / agent_id 分解）
python scripts_sdd/eval_ood_advanced.py \
    --checkpoint results_stage2/nexus_30m_seed0_10k/best.pt \
    --config configs/sdd_mamba2_30m_nexus.yaml \
    --data_root ./data/ood_T150_sdd_nexus

# 5. 三链负面分身消融（验证三链 SSM 贡献）
python scripts_sdd/eval_negative_shadow.py \
    --checkpoint results_stage2/nexus_30m_seed0_10k/best.pt \
    --config configs/sdd_mamba2_30m_nexus.yaml \
    --data_root ./data/ood_T150_sdd_nexus

复现实验数据：41+ 实验原始指标 JSON 留存于 results_stage2/（SDD 真实数据）、results_stage3/（机制消融）、results_wsl/（WSL2 本地基准）目录，指标可追溯。

📌 关于模型权重：模型权重文件因体积较大未上传至 git 仓库，所有实验均可通过训练脚本从零复现，指标原始数据已全部开源留存（results_stage2/、results_stage3/、results_wsl/）。3.26M GridWorld 预训练权重已通过 Release 提供「秒级验证」通道（见上方 📦 段）。

---

🎯 解决什么问题

状态空间模型（Mamba/SSD）在 分布外（OOD）长序列 上会退化——测试长度超过训练长度时，预测塌缩成全猜 0。这是 SSM 的”越外推越失忆”问题。本工作用三链并行 SSM + AnchorInit2 结构性锚定治好该问题。

📊 核心结果

主结果：规模-decay 曲线（GridWorld 离散符号动力学）

规模	params	步数	seed 数	单点 decay (T150)	窗口 decay (T150)
52M (deep_n4)	52.66M	1000	1	-0.07%	+0.95%
100M	72.32M	500	3	+0.24% / +1.93% / +0.37%	-0.79% / +0.67% / -0.15%
300M	182.95M	2000	3	-1.69% / -1.66% / -0.28%	-0.36% / -0.15% / -0.16%
700M	724.51M	2000	2	+0.19% / -0.39%	-0.02% / -0.60%
1B (gradient_ckpt)	1.13B	2000	3	+0.28% / -0.12% / +0.38%	-0.01% / -0.39% / -0.30%
105M (deep_n8)	105.39M	1000	1	T150=-0.76%, T300=-2.12%, T500=+0.36%	—

主结论：100M→1.13B 全部 converged 实验，单点 decay 与窗口 decay 双双全部落在 ±2% 内；5× 外推（T=500）仍保持（单点 decay=+0.36%）。大模型方差更小（1B spread=0.5% < 100M 1.7%），说明大模型不仅不退化，训练更稳定。

早期基准（3.26M 三链 vs 基线，5 seed）

模型	参数	OOD changed_acc @ T=150	OOD Decay	状态
旧 ThreeChain (Mamba1)	4.77M	0.5433	std=0.0000（脚本 bug 假象）	❌ 退化
ThreeChainMamba3（本工作）	3.26M	0.5952 ± 0.0034	−0.0042（≈ 0）	✅ 真实学习
Transformer-tiny（同参数）	3.43M	0.0000（全猜 0 塌缩）	—	❌ 塌缩

• 训练 T=100 步，测试 T=150 步（超训练 50%，从未见过）
• 5 个随机种子基准；OOD 衰减 ≈ 0 = 对未见长度不退化
• 参数更少，OOD 外推更强

控制实验（严谨性证据）

实验	设置	结果	意义
随机标签 sanity	30M @500步，--shuffle_labels	val ch_acc=0.334，decay=-6.07%	排除”decay≈0 是指标失效”反方论点
1B 多 seed 统计	1B 3 seeds @2000步	decay spread=0.5%	排除单 seed 幸运
步数对照	52M maxT=1024@500 vs maxT=100@1000	500步 +4%（假象）/ 1000步 -0.07%（回归）	消除”越深越强”欠训假象

详见 figures/control_experiments.png 与 figures/seed_stability.png。

🧬 架构：三链螺旋扫描同一张量

                  统一时空张量  x : (B, T, N², d)   ← AnchorInit2 锚定
                              │
           ┌──────────────────┼──────────────────┐
           ▼                  ▼                  ▼
     ┌──────────┐      ┌──────────┐      ┌──────────┐
     │ 空间链    │      │ 时间链    │      │ 因果链    │
     │ (双向    │      │ (因果    │      │ (K 维    │
     │  Mamba2) │      │  Mamba2) │      │  扫描)   │
     │ N² 维    │      │ T 维    │      │ K(agent) │
     └────┬─────┘      └────┬─────┘      └────┬─────┘
          │                 │                 │
          └────────┬────────┴────────┬────────┘
                   ▼   每层残差融合    ▼
              ┌──────────────────────┐
              │   Layer × N           │
              └──────────────────────┘
                   │
                   ▼
              cell logits

三链共享同一个统一时空张量 x:(B,T,N²,d)，作为 3 种扫描视角，每层残差融合：

链	扫描维度	Mamba2 配置	物理意义
空间链	行 + 列（双向）	d_state=128, headdim=32, expand=1, bidirectional	二维网格空间结构
时间链	T（因果）	d_state=64, headdim=64, expand=2, causal	时间因果性
因果链	K（agent 维）	d_state=32, headdim=64, expand=2, causal	agent 间因果交互

关键设计（从 6 个失败模式中学到的教训）：

1. 统一张量——3 链扫描同一个 x:(B,T,N²,d)，不是分支独立
2. 每层残差融合——3 链每层都交换信息（不是只在最后融合）
3. 异构 Mamba2 配置——每条链独立调 d_state/expand/headdim
4. 不要 BasePair / 不要 Bind / 不要 Fusion-attention——简单残差和替代（奥卡姆剃刀）

🔬 机制深挖：AnchorInit2 结构性锚定（三层保障）

为回答”为什么 SSM 不退化而 Transformer 退化”，设计了 5 个可证伪假说（H1–H5），通过 3 组实验严格验证（3 支持 / 2 推翻，推翻也诚实记录）。

三层保障机制

层次	机制	证据
基础层（必需）	AnchorInit2 初始锚定（cell+action+time 三源加法融合）	三链全消融仍不退化（decay=-0.66%）+ Transformer 无锚定则崩溃
稳定层（重要）	残差连接 + LayerNorm	三链全消融仍 stable
优化层（锦上添花）	三链 SSM 演化提升精度	单消融空间链恶化 -7.54%

AnchorInit2 = x = cell_embed(S_0) + act_mean + time_emb，提供 O(1) 复杂度的初始锚定。

关键反直觉发现：H5 推翻

对 SSM 与 Transformer 各注入扰动信号，测量 retention(t)：

指标	SSM (26.59M)	Transformer (30.74M)
信号保留率 @t=150	94.1%	99.4%
OOD decay	+0.2%	-6.6%
changed_acc @t=150	0.5929	0.0555

Transformer 完美保留 99.4% 输入信号，但预测完全崩溃——推翻了”Transformer 退化因注意力稀释信号”的假说，揭示 **”信号保留 ≠ 预测质量”**：根因是 Transformer 缺 AnchorInit2 锚定，无法建立有效的时间外推映射。

详见 paper/mechanism_analysis.md 与 figures/stage3_3_retention.png。

🧪 实验亮点：双场景验证

场景一：GridWorld 参数扩展实验（30M → 1.13B）

• 16 种 cell type + 5 种 action 的离散符号动力学
• 训练 T=100，OOD 评估 T=150（1.5×）/ T=300（3×）/ T=500（5×）
• 场景混合：50% random + 30% goal_directed + 20% adversarial
• 100M→1.13B 全部 converged，单点 + 窗口 decay 双双 ±2% 内
• 对照：同参数 Transformer-tiny 完全退化（zero_ratio=1.0）；Mamba3 算法层面退化（-11.5%）

场景二：SDD 真实数据（Stanford Drone Dataset）

脱离 toy 网格世界，验证 SSM 不退化机制在真实长程序列上成立。零模型改动（不改 models/three_chain_mamba2.py），只新增数据生成 + 配置，严格控制变量。

数据集	视频数	模型规模	训练	OOD decay（窗口）	结论
SDD bookstore	7 视频	30M	10k 步充分	+11.72%	不退化，长程增强
SDD nexus	12 视频	30M	10k 步充分	**-6.9%**（window）	因果链消融 -55%，学到 agent 身份（2.3× 随机）

🔬 Nexus 多智能体场景核心数据（评审首页直读，无需点进报告）

SDD nexus 是本工作独有的多智能体复杂场景验证，下面表格一次性给出 position_iou 长程衰减、agent 身份识别、三链负面分身贡献三项核心指标。

指标	bookstore（7 视频）	nexus（12 视频）	解读
position_iou @T=100	0.166	0.244	nexus 起点更高（多场景数据更丰富）
position_iou @T=150	0.134	0.159	长程外推后位置预测保持
pos_iou decay（window）	-10.9%	-6.9%	nexus 稳态衰减反而更小
agent_id_acc @T=100	0.055（<随机 0.067）	0.153（>随机 0.067，2.3×）	nexus SSM 学到 agent 身份！
shuffle sanity agent_id	0.000（完全坍缩）	0.000（完全坍缩）	双场景 shuffle sanity 通过
三链贡献 ablate_all	-71%（三链必需）	**-45%**（保留 55%）	AnchorInit2 在多场景更强
时间链贡献 ablate_t	-54%	-53%	双场景时间链贡献都最大
因果链贡献 ablate_c	+22%（噪声）	-55%	多场景让因果链学到信号

Nexus 三大发现：

1. 多场景数据让 SSM 学到 agent 身份（agent_id=0.153 > 随机 0.067，2.3 倍）— bookstore 单场景未学到（0.055 < 随机），数据多样性是 SSM 学到丰富动力学的关键
2. 指标层次性（反直觉）：position_iou 在简单场景有效、复杂场景判别力减弱；agent_id_acc 双场景都完全坍缩（shuffle=0.000）→ 更稳健判别指标
3. 三链 SSM 在真实数据上是必需的（ablate_all 降 45-71%），对比 GridWorld 的 ablate_all decay=-0.66%（锦上添花），真实数据复杂度高让三链升级为必需

完整数据见 paper/stage2_sdd_report.md §7 与 paper/Nexus消融实验验证报告.pdf。

• 网格化：N=24 网格，K=8 agent，T=100 训练窗口，fps_stride=6
• 关键工程修复：SDD N²=576 比 GridWorld 大 4×，triton SSD backward OOM → batch=1 + use_checkpoint: true 梯度检查点
• 3k 步衰减是”未充分训练”假象，10k 步充分训练后 SSM 不退化机制依然成立，甚至长程增强

详见 paper/stage2_sdd_report.md 与 figures/stage2_sdd_3k_vs_10k.png。

🛠️ 安装与使用

环境要求

• Python ≥ 3.10（3.14 可能缺 mamba_ssm 预编译 wheel）
• CUDA GPU（≥ 8GB 显存；1B 训练需 gradient checkpointing + ≥ 24GB）
• 国产 GPU：沐曦 MXMACA 软件栈（提供 Triton 编译后端，可零修改适配）

安装

# 1. 基础依赖
pip install torch numpy pyyaml matplotlib

# 2. 安装 triton（Mamba2 kernel 依赖）
pip install triton

# 3. 安装 mamba_ssm 与 causal_conv1d
#    注意：必须用 --no-build-isolation，复用已安装的 torch CUDA 版本编译
pip install --no-build-isolation mamba_ssm causal_conv1d

# 或从源码编译（沐曦 MXMACA 等非 CUDA 后端同理，Triton 后端会自动选择）
#   git clone https://github.com/state-spaces/mamba.git
#   cd mamba && MAMBA_FORCE_BUILD=TRUE pip install --no-build-isolation --no-deps -e .

快速开始

# 1. 生成 GridWorld 数据
python data/gen_grid_world.py

# 2. 训练（3.26M 主力模型）
python train.py --config configs/matched_mamba2.yaml --model three_chain_mamba2 --seed 42

# 3. OOD 长程外推评估（--extend_max_T 扩展 time_embed 到未见长度）
python eval_ood.py --checkpoint results/best.pt --extend_max_T 1024

# 4. 退化诊断（非退化门）
python probe_mamba2_brain.py --model three_chain_mamba2 --max_steps 2000 --seed 42

# 5. 同参数 Transformer 对照
python probe_mamba2_brain.py --model transformer --config configs/matched_transformer_tiny.yaml --max_steps 2000 --seed 42

大规模训练（100M → 1.13B）

# 100M / 300M / 700M / 1B 对应配置
python train.py --config configs/matched_mamba2_100m.yaml  --seed 0
python train.py --config configs/matched_mamba2_300m.yaml  --seed 0
python train.py --config configs/matched_mamba2_700m.yaml  --seed 0
python train.py --config configs/matched_mamba2_1000m.yaml --seed 0   # 1B, 需 use_checkpoint

# SDD 真实数据
python data/gen_sdd_grid.py
python train.py --config configs/sdd_mamba2_30m.yaml          --max_steps 10000
python train.py --config configs/sdd_mamba2_30m_nexus.yaml    --max_steps 10000

📁 仓库结构

trihelix-mamba/
├── models/
│   ├── three_chain_mamba3.py        # 主力：ThreeChainMamba3 + PairwiseBasePairMamba3（168K / 可扩到 1.13B）
│   ├── three_chain_mamba2_bpv2.py   # 消融：跨链碱基对（3.40M）
│   ├── three_chain_mamba2_bp.py     # 消融：链内碱基对 v1（已失败）
│   ├── three_chain.py               # 旧基线（4.77M，退化）
│   ├── baselines.py                 # SingleChain / ConcatMamba / Transformer / GNN
│   └── common.py                    # 共享组件（AnchorInit2 / HeteroMamba2）
├── configs/
│   ├── matched_mamba2.yaml          # 主配置（3.26M）
│   ├── matched_mamba2_100m.yaml     # 参数扩展：100M
│   ├── matched_mamba2_300m.yaml     # 参数扩展：300M
│   ├── matched_mamba2_700m.yaml     # 参数扩展：700M
│   ├── matched_mamba2_1000m.yaml    # 参数扩展：1.13B（gradient checkpointing）
│   ├── matched_transformer_tiny.yaml # 同参数 Transformer（3.43M）
│   ├── sdd_mamba2_30m.yaml          # SDD bookstore（7 视频）
│   └── sdd_mamba2_30m_nexus.yaml    # SDD nexus（12 视频）
├── data/                            # GridWorld / SDD 数据生成
│   └── ood_T150/                    # OOD 测试集（已提交，用于复现）
├── scripts_sdd/                     # SDD 数据下载 / 划分 / 评估脚本
├── train.py                         # 训练循环
├── eval_ood.py                      # OOD 长程外推评估
├── probe_mamba2_brain.py            # 退化诊断工具（非退化门）
├── probe_token_retention.py         # 信号保留探针（H4/H5 验证）
├── regen_figures.py                 # 图表重生成（ASCII 安全）
├── paper/                           # 论文 LaTeX 源 + 技术报告 + 图表
│   ├── main.tex
│   ├── sections/                   # arXiv 风格分章节
│   ├── figures/                     # 全部实验图表（PNG）
│   ├── technical_report.md          # 完整技术报告（v0.3）
│   ├── mechanism_analysis.md        # 机制深挖（5 假说验证）
│   ├── stage2_sdd_report.md         # SDD 真实数据报告
│   └── Nexus消融实验验证报告.pdf     # 申报佐证附件（5 页，含 4 图 + 6 节正文，一键下载）
├── results_stage2/                 # SDD 实验指标 JSON（bookstore + nexus）
├── results_stage3/                 # 机制消融实验指标 JSON
├── results_wsl/                    # WSL2 本地基准指标 JSON
├── figures/                         # 早期基准图表
├── docs/                           # Wiki 技术文档（架构方程 / 理论 / MXMACA 适配）
│   ├── Home.md                     # GitLink Wiki 首页
│   ├── architecture.md             # 三链架构 + LaTeX 数学方程
│   ├── theory.md                   # 三层保障机制 + 5 假说验证
│   └── mxmaca_adaptation.md        # 沐曦 MXMACA 零修改适配方案
├── PROFESSIONAL_REPORT.md           # 早期 5-seed 基准报告
├── requirements.txt
└── LICENSE                          # MIT

🔬 可复现性

• 随机种子：早期基准用 5 seed [42, 123, 456, 789, 1024]；大规模实验用 [0, 1, 2]。
• 非退化门（模型必须通过才能进基准测试）：
  • zero_ratio < 0.90（不能全猜 0）
  • changed_acc > 0.30（比随机 1/16 = 0.0625 强）
  • OOD 非零预测 > 目标的 5%
• decay 双指标：单点 decay 直观但易受曲线噪声影响；窗口 decay（±5 邻域均值）更稳健。主结论（≥100M 不退化）在两个指标下双双成立。
• 硬约束：Mamba2 d_conv ∈ {2,3,4}；空间链 expand=1 必须 headdim=32；headdim 必须整除 d_model*expand；1B 训练需 gradient checkpointing（25GB → 10.2GB）。

🧬 BP v2.1 碱基对耦合：三链Mamba3 + Pairwise Base Pair（C500国产GPU实测）

v2.1 核心创新：加法独立调制解决乘法梯度死锁

在三链Mamba3（dt-RoPE复数状态 + 梯形离散化）基础上，引入两两碱基对耦合（PairwiseBasePairMamba3），受DNA三螺旋碱基对配对启发，实现三链间的信息交换：

碱基对	耦合链	机制	调制网络
BP1	空间↔时间	Cross-Delta调制 + 空间变化率门控	st_t2s_delta, st_s2t_gate
BP2	时间↔因果	Reset Gate记忆门控 + 时间相位注入	tc_c2t_reset, tc_t2c_phase
BP3	因果↔空间	FiLM仿射(gamma/beta) + 空间校验	cs_c2s_gamma/beta, cs_s2c_check

v2 -> v2.1 演进：

• v1: alpha门控（alpha初始0->梯度信号极弱->100步后alpha均值仅0.0007->死锁）
• v2: 纯残差（去掉alpha，但BP1+BP2用 reset_b * sgate_b * x_t 乘法->两个零初始化网络相乘导致梯度互相阻塞->死锁）
• v2.1: 加法独立调制（reset_b * x_t + sgate_b * x_t->两项梯度独立可流过->死锁解除）

C500国产GPU实验结果（32场景 × 3seed × 4模型 = 384次训练）

算力环境：沐曦MetaX C500 GPU（64GB显存），Triton 3.0.0+metax，mamba_ssm 2.2.4+metax，torch 2.6.0+metax

模型性能对比

模型	val_ch_acc	ood_ch_acc	ood_decay	训练时间
Transformer	30.07%	30.86%	2.75%	10.3s
Mamba3单链	29.99%	30.67%	2.83%	28.8s
三链Mamba3	56.91%	57.14%	0.41%	60.5s
三链Mamba3+BP	57.50%	57.86%	0.60%	53.7s

BP v2.1 修复验证（乘法梯度死锁解除）

调制网络	v2死锁值(C500)	v2.1修复值(C500)	状态
bp1_gate	0.0000	avg=0.3512 (0.26-0.48)	✅ 修复
bp2_reset	0.0000	avg=0.3500 (0.26-0.47)	✅ 修复
bp3_gamma	avg=0.3689	avg=0.3689	一直正常
bp1_delta	-	avg=0.0471	正常
bp2_phase	-	avg=0.4639	正常
bp3_beta	-	avg=0.4971	正常
bp3_check	-	avg=0.3681	正常

所有7个调制网络权重范数全部非零（94/94结果），v2.1加法修复彻底解决了乘法梯度死锁。

按场景类型分析（ood_ch_acc）

类型	三链Mamba3	三链+BP	BP提升
random	56.98%	57.42%	+0.44%
goal_directed	56.50%	56.85%	+0.35%
adversarial	58.14%	59.24%	+1.10%
extreme	57.36%	59.26%	+1.90%

核心发现：BP在对抗性场景和极端场景提升最明显（+1.1%~+1.9%），说明碱基对耦合在复杂多智能体交互中发挥作用。

BP优势最显著场景

场景	val_ch提升	ood_ch提升	说明
ext_n6_k4	+10.5%	+9.8%	极端最小最快场景
adv_n6_k4	+4.4%	+6.6%	对抗小网格少agent（3/3 seed全正向）
adv_n6_k12_p6	+2.8%	+4.4%	对抗高密度强转移
ext_n8_k4_drone	+3.2%	+6.5%	极端无人机轨迹

国产GPU适配经验

1. __pycache__缓存陷阱：C500上Python可能使用旧的__pycache__（v2代码编译的.pyc），导致尽管.py文件已更新，实际运行的仍是旧代码。解决方案：部署时强制删除所有__pycache__。
2. Triton-MXMACA后端：mamba_ssm的Triton kernel在沐曦MXMACA上零修改运行，但需source /opt/maca/env.sh设置MACA_HOME环境变量。
3. cuda.synchronize()防护：C500上kernel队列堆积可能导致rq_qos_wait死锁，每步训练后添加torch.cuda.synchronize()解决。
4. 断点续跑：结果key="场景|seedN|模型"，已跑的跳过，即时保存JSON，适合长时间实验中断恢复。

---

🗺️ 路线图

• 阶段 1——核心模型 + 5-seed 基准 + 消融（3.26M）
• 阶段 2——参数扩展（100M→1.13B）+ SDD 真实数据验证
• 阶段 3——机制深挖（AnchorInit2 三层保障 + 5 假说验证）+ 论文
• 阶段 4——沐曦 MXMACA GPU 实测 + 端侧人形机器人多智能体推演 demo
• 阶段 5——外置记忆（.m3 三段式快照 + 三级索引）+ 世界模型 demo

📝 引用

@misc{threechainmamba2026,
  title={ThreeChainMamba3: Three-Chain DNA-Mamba3 with Pairwise Base Pair Coupling for Long-Range Spatiotemporal Extrapolation},
  author={lulululudj},
  year={2026},
  url={https://github.com/lululudj/trihelix-mamba}
}

论文（arXiv 预印本）即将上线，LaTeX 源见 paper/。

许可证

MIT——见 LICENSE。

---

本工作面向沐曦青年开源专项基金申请开源。核心代码（models/、train.py、eval_ood.py）、实验指标（results_stage2/）、论文源码与图表（paper/）均已开源，便于评审复现与国产 GPU 适配验证。