苹果在ICLR 2026会议上展示了多项机器学习研究，包括高效的递归神经网络训练、状态空间模型工具、统一的多模态模型Manzano，以及蛋白质折叠的新方法SimpleFold。这些研究旨在推动AI和ML领域的进步，并支持相关社区。

麻省理工学院等研究团队开发的CompreSSM方法在训练过程中压缩人工智能模型，避免了传统方法的性能损失。该方法通过控制理论识别模型的重要部分，提前剔除无用组件，使模型训练更小更快。研究显示，压缩模型在图像分类任务中保持了接近原始模型的准确性，训练速度提高了1.5倍。CompreSSM为现代状态空间模型的压缩提供了理论基础，未来有望成为标准方法。

状态空间模型（SSMs）在序列建模中逐渐取代变换器，因其在长上下文生成中的高效性。研究表明，通过与外部工具互动，SSMs能够克服在“真正的长形式”生成中的局限，实现任意问题长度的泛化。这表明SSMs在交互式工具应用中可能成为变换器的高效替代方案。

MemMamba是一种新型状态空间模型，解决了长序列建模中的记忆衰退问题。它通过模仿人类记笔记的方式，引入动态记忆提取和跨层注意力机制，显著提升了长序列的处理能力和检索准确率。

在2025年嵌入式视觉峰会上，BrainChip首席技术官Tony Lewis介绍了状态空间模型（SSM），该模型在低功耗环境中实现了大语言模型（LLM）能力。SSM通过仅利用最后一个令牌生成输出，克服了变压器模型的上下文限制。BrainChip的TENN模型在0.5瓦特下运行，具有1亿参数，能在100毫秒内返回结果，展现了在边缘设备上的应用潜力。

Mamba是一种新兴的状态空间模型，改进了输入选择性、卷积和门控功能。研究表明，Mamba在函数近似、长期记忆和联想回忆方面表现优越，尤其在处理不连续函数时优于S4D。

变压器模型因优先生成统计文本而常常出现幻觉，导致事实不准确。状态空间模型（SSMs）通过逐步处理信息，提供更可靠的准确性和上下文理解。案例研究表明，SSMs在实际应用中表现优异，能减少错误并提高效率，尤其在处理复杂问题和长文本时。未来SSMs可能在AI搜索中取代变压器。

该研究提出了一种新技术，通过修剪状态空间组件来压缩大型语言模型，结合变换器和状态空间模型（SSM）架构，实现了高达40%的压缩，同时保持性能。引入了适用于多种模型尺寸和任务的群体感知修剪方法，专门针对Mamba模型。

该研究提出了一种新模型，结合状态空间模型和Mamba架构的西阿米斯神经网络，能够自动检测卫星图像随时间的变化，其准确性和效率优于传统方法。

Mamba M1模型结合状态空间模型与变换器，实现高效推理，计算成本降低30%。该模型在可扩展性和动态推理路径选择方面表现优异。

Lyra是一种新型生物序列建模架构，结合状态空间模型和投影门控卷积，显著提升推理速度和计算效率。它在100多个生物任务中表现优异，参数减少至现有模型的1/120,000，训练时间仅需数小时。