该论文探讨了Mamba架构（包含状态空间模型SSM）是否有必要用于视觉任务，如图像分类、目标检测和语义分割。通过实验证实了了Mamba在视觉识别任务中的效果，认为其不如传统的卷积和注意力模型。论文理论化认为Mamba更适合具有长序列和自回归特性的任务，而这些特性大多数视觉任务不具备。