Vision Mamba es un marco de aprendizaje de representaciones visuales eficiente, construido con módulos Mamba bidireccionales, que puede superar las limitaciones de cálculo y memoria para la comprensión de imágenes de alta resolución al estilo Transformer. No depende del mecanismo de autoatención; comprime las representaciones visuales mediante incrustaciones de posición y un modelo de espacio de estados bidireccional, logrando un rendimiento superior y una mayor eficiencia en el cálculo y la memoria. Este marco supera en rendimiento a los Transformers visuales clásicos, como DeiT, en las tareas de clasificación de ImageNet, detección de objetos COCO y segmentación semántica ADE20k, con una mejora de 2,8 veces en la eficiencia de cálculo y de 86,8% en la eficiencia de memoria.