本文探讨了Mamba模型与线性注意力Transformer的异同，提出了Mamba-Like Linear Attention (MLLA)模型，提升了图像分类和高分辨率预测任务的性能。Mamba模型在多个模态上表现优异，具备快速推断和线性扩展能力。此外，研究介绍了结合Mamba与扩散模型的DiM，及其在三维形状生成和图网络中的应用，展现了卓越的性能和计算效率。

本文综述了CAD与三维形状生成及表示学习的进展。BRepNet直接处理B-rep数据，分割更准确；链复形方法可精确重建B-Rep；UV-Net结合参数与拓扑信息；区域图网络提升逆向建模效果；扩散模型应用于结构设计，其中PolyDiff生成网格、Surf-D生成任意拓扑表面、四面体网格扩散生成细节；Transformer模型可自动生成CAD形状并公开数据集；SB-GCN用于预测装配约束。

该文综述三维形状生成与部件化建模研究：PAGENet利用部件感知深度生成网络降低建模难度；少样本生成通过领域自适应避免过拟合；Neural Parts以可逆神经网络定义语义一致基元；自监督方法支持用户控制部件分解；ShapeAssembly用组装语言生成可解释、可编辑形状；组合通用性框架提升单目重建泛化能力；多模态框架简化业余用户资产生成；几何感知方法生成符合场景结构的图像；PartNeRF实现无需显式引导的可编辑三维合成。