Windows安装mamba全流程（全网最稳定最乐成）

Windows 下装 mamba（state-space models 那套 Selective Scan）比 Linux 上麻烦不少：CUDA 版本要对、Visual Studio 版本不能太新、还要改两处源码。这篇把从建环境到跑通测试的完整流程记下来，踩过的坑都标出来。

一、创建环境并安装基础依赖

建议新建一个干净环境，别复用旧环境。Python 3.10.13 + CUDA 11.8 这套组合在 Windows 上验证过是可行的：

conda create -n your_env_name python=3.10.13
conda activate your_env_name
conda install cudatoolkit=11.8 -c nvidia
pip install torch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 --index-url https://download.pytorch.org/whl/cu118
conda install -c "nvidia/label/cuda-11.8.0" cuda-nvcc
conda install packaging

二、装 triton 的 Windows 预编译 wheel

有社区已经编译好 Windows 二进制，下载对应 cp310 的 whl 后在本环境里装：

pip install triton-2.0.0-cp310-cp310-win_amd64.whl

三、核对本机 CUDA 与 cudnn

确认宿主机装的 CUDA / cudnn 版本与环境里的路径是同一个，且确为 11.8。不一致就先把 CUDA 和 cudnn 重装对齐，再往下走。

四、坑一：Visual Studio 版本太新

直接装 causal-conv1d 大概率报编译错。两个可能原因，先查第二个：

• 本机 CUDA 版本不对（见上一节）。
• VS 版本太新：VS 官网直接下载的 2022 版 CUDA 不支持，报错信息里能找到对应线索。

解决办法是装 Visual Studio 2019。不必用社区版，因为构建时并不需要它，装个专业版勾上"C++ 桌面开发"工作负载即可（约几十 GB，挑个空间够的盘）。2019 的老版本安装包需要在微软存档页面找。

五、源码安装 causal-conv1d

git clone https://github.com/Dao-AILab/causal-conv1d.git
cd causal-conv1d
git checkout v1.1.1   # 当前最新 tag
pip install .

六、源码安装 mamba，并改两处源码

回到上层目录克隆 mamba，切到 v1.1.1：

cd ..
git clone https://github.com/state-spaces/mamba.git
cd mamba
git checkout v1.1.1

然后做三处修改。

1. 改 setup.py

FORCE_BUILD = os.getenv("MAMBA_FORCE_BUILD", "FALSE") == "FALSE"
SKIP_CUDA_BUILD = os.getenv("MAMBA_SKIP_CUDA_BUILD", "FALSE") == "FALSE"

2. 注释掉 CUDA 扩展的导入

在 mamba_ssm/ops/selective_scan_interface.py 里把 import selective_scan_cuda 注释掉。同时把函数体里的 CUDA kernel 调用换成对应的 reference 实现：

def selective_scan_fn(u, delta, A, B, C, D=None, z=None, delta_bias=None,
                      delta_softplus=False, return_last_state=False):
    # if return_last_state is True, returns (out, last_state)
    # last_state has shape (batch, dim, dstate), 其梯度不参与反传。
    return selective_scan_ref(u, delta, A, B, C, D, z, delta_bias,
                              delta_softplus, return_last_state)

mamba_inner_fn 同理，把 MambaInnerFn.apply(...) 换成 mamba_inner_ref(...)。作用是在 Windows 上跳过 CUDA 扩展编译，用纯 Python/CPU 参考实现顶上。

3. 装包

pip install .

七、两个典型报错

报错一：causal-conv1d 与 mamba 版本不匹配

File ".../mamba_ssm/ops/selective_scan_interface.py", line 187, in forward
    conv1d_out = causal_conv1d_cuda.causal_conv1d_fwd(
TypeError: causal_conv1d_fwd(): incompatible function arguments.

这是版本不对应导致的 ABI 不匹配，把 causal-conv1d 和 mamba 的版本拉齐即可（两边都 v1.1.1）。

报错二：函数输入缺少 seq_idx

装完跑起来报运行时错，追溯是原代码的函数签名缺 seq_idx 参数，会把激活函数 silu 的名字误当成 seq_idx 传入。补一个 seq_idx=None 就能跑通。

八、测试代码

import torch
from mamba_ssm import Mamba

batch, length, dim = 2, 64, 16
x = torch.randn(batch, length, dim).to("cuda")
model = Mamba(
    d_model=dim,      # 模型维度
    d_state=16,       # SSM 状态扩展因子
    d_conv=4,         # 局部卷积宽度
    expand=2,         # 块扩展因子
).to("cuda")
y = model(x)
assert y.shape == x.shape
print('success')

九、几点体会

• 版本对齐比什么都重要：causal-conv1d、mamba、torch、CUDA、VS 五者的版本要形成一条自洽的链。
• Windows 上即便装成功，速度也可能明显慢于 Linux，下界是参考实现的开销，别拿 Windows 的耗时去和 Linux 对比结论。
• 如果只需要推理定界，可以直接用社区维护的预编译 wheel，省掉整条源码编译链路。

qidao123.com企服评测-应用市场 编辑提示：本文为 Windows 环境部署 mamba 的流程记录，GitHub 上对应仓库的版本 tag 与 wheel 可用性请以官方发布为准。