SegMamba 是一种新型的 3D 医学图像分割模型，能够有效捕捉全体积特征并具备快速处理速度。Bi-Mamba4TS 通过补丁技术提升局部信息，改进时间序列预测。Mambaformer 结合 Mamba 和 Transformer 架构，增强时间序列预测能力。Graph-Mamba 提升图网络的长程上下文建模，表现优异。Mamba 模型在多模态任务中表现出色，适用于长序列任务，但在图像分类中效果不佳。

基于Transformer架构的Mamba模型通过改进状态空间模型（SSMs），实现了更快的推理速度和线性扩展，适用于语言、音频和基因组等多个模态。Graph-Mamba增强了图网络的长程上下文建模，SSAMBA在音频表示学习中表现优异。PointMamba在点云分析中超越传统模型，Mamba-ND扩展至多维数据，BlackMamba结合了SSM和MoE的优势。Zamba和SiMBA在性能上与领先模型相当，Samba在高分辨率遥感图像分割中设立新基准。

本研究介绍了Graph-Mamba，通过结合Mamba块和节点选择机制，提升了图网络的长程上下文建模能力，显著提高了预测性能。实验结果表明，Graph-Mamba在长程图预测任务中优于现有方法，且计算成本较低。此外，研究探讨了Mamba在视频理解和骨架动作识别中的应用，提出了高效的GCN基线模型，展示了其在多个任务中的优越性能。

本文介绍了基于Mamba架构的多种模型，包括VideoMamba、Mamba-ND和Graph-Mamba，旨在提升视频理解、序列建模和图网络的性能。这些模型通过线性复杂度和全局建模能力，显著提高了处理速度和准确性，尤其在医学图像分析和多模态任务中表现优异。SegMamba在3D医学图像分割中也展现了高效性。

本文提出了PointMamba框架，利用状态空间模型（SSM）进行点云分析，展示了其在多个数据集上超越基于transformer的模型，节省了参数和计算资源。通过一致遍历序列化和位置编码方法，PointMamba结合局部与全局建模，取得了新的性能突破。此外，Graph-Mamba和nnMamba架构在图网络和医学图像分析中也表现出色，展示了Mamba系列模型在多模态任务中的潜力。