曼巴字节是一种无标记的语言模型，直接从原始字节中学习，消除了子词标记化的偏见。它在字节上运行，但会导致序列显著变长，标准的自回归Transformer在这种情况下的扩展性较差。我们在字节序列上自回归训练了曼巴字节，这是Mamba状态空间模型的无标记适应。我们的实验表明，与其他字节级模型相比，曼巴字节具有较高的计算效率。我们还发现，曼巴字节在与最先进的子词Transformer的竞争中表现出色，甚至超越其性能。此外，由于长度的线性扩展，曼巴字节在推理过程中比Transformer具有更快的速度。我们的发现证实了曼巴字节在实现无标记语言建模方面的可行性。