文章中的Mobius架构属于非Transformer路线，但这条路并非只有它一个玩家。Mamba通过状态空间模型在百万token长序列上实现5倍性能提升，但外推能力弱；RWKV用线性注意力结合RNN内存优势，已迭代至140亿参数；RetNet推理成本与序列长度无关，解码速度达Transformer的8.4倍。各自的短板也很明显：Mamba难以处理需要强上下文回溯的任务，RWKV在并行训练效率上不如Transformer，RetNet的长期记忆仍有退化风险。Mobius的差异化在于知识-推理分离，但能否在通用任务上证明自己，还需观望。

Mobius引入的反向残差连接，让深层隐状态也能访问浅层知识，打破了传统Transformer『只有浅层读深层』的单向约束。传统残差连接（ResNet/Transformer）是通过跳跃连接解决梯度消失，但方向总是从浅层向深层传递原始信号。Mobius的『反向』设计意味着深层可以主动回溯到较浅层的低阶特征，这在科学任务中尤其重要——比如晶体结构预测时，需要同时参考原子级的局部特征和晶胞级的全局结构。这个机制是否等价于某种注意力机制的变体，值得进一步拆解。

同一场WAIC 2026上，鄂维南院士公开批评在通用大模型上『打补丁』的路子——他认为现有通用模型的原生架构不是为科学而生，能力边界被固有架构锁死，必须走『原生科学基座模型』的独立路径。这与上海AI Lab的『知识-推理分离』思路形成对比：鄂维南主张从头重建地基，而Intern-S2-Preview-397B选择在Mobius架构上通过可插拔记忆实现专业化。两派的共同判断是通用大模型不够用，但分歧在于『在通用底座上改』还是『另起炉灶』。王坚在同期演讲中则给出第三种视角：科学数据不应是外挂，而应成为大模型的原生组成部分。

文章提到Intern-S2-Preview-397B与昇腾生态深度协同，这不是一句空话。粤港澳大湾区首个『国芯训国模』万卡昇腾集群已在韶关上线的消息，意味着国产算力正式进入规模化训练时代。关键变量在于：昇腾生态能否支撑397B参数的工程化部署——推理阶段的显存需求和算子适配是最大瓶颈。2026年8月昇腾950DT即将上线，若其能验证PD分离等推理优化技术，上海AI Lab的架构创新将不再只是论文亮点，而是国产科研基座的一次实质性闭环。

文章宣称Mobius的『解耦』让推理效率提升近4倍，但这一数字的测算口径值得追问：是端到端延迟，还是单步推理Token生成速度？是相比同参数Transformer基线，还是相比实验室前代的万亿参数模型？若按后者，较小的模型本身就有速度优势，架构贡献需要剥离。更关键的是，动态隐空间推理用连续向量替代Token后，输出结果的可解释性如何保证——科学场景中，科学家需要知道模型为什么这样推，而不仅仅是快。浙大与阿里联合研究已发现LoRA等方法存在『确定性相变』式的记忆边界，Mobius的可插拔记忆是否也会遇到类似的容量上限？