MoE
混合专家模型（Mixture of Experts，MoE）是一种机器学习架构范式，由多个专门化的子网络（称为"专家"）和一个门控路由机制组成。在处理每个输入时，路由机制仅激活其中少数专家，而非全部参数，从而在保持模型整体容量的同时显著降低单次推理的计算量。MoE广泛应用于大规模语言模型和深度学习系统，是提升模型规模与计算效率之间平衡的重要技术路径。
核心事实
时间轴 (近 90 天)
第 3 章拆解 MoE 层，逐一分析路由（router）、路由算法、负载均衡、专家（experts）、块布局、训练过程和系统实现。
MoE 架构中，总参数 671B 的模型每次推理可能只激活约 37B 参数。
MoE、混合层和三值权重三者可以叠加使用，也各自独立成立。
作者选择MoE作为实验对象的原因之一是：错误行为可能只牵涉特定专家或路由路径，从而让局部化干预在理论上更可行。
65B 稠密模型在推理时的显存占用和吞吐成本相比同参数量的 MoE 模型更高，在同等硬件上能服务的并发数更低。
Ripple-65B 是一个稠密模型，不采用 MoE 架构，所有参数在每次推理时都会被激活。
MoE的专家是训练出来的子网络，路由是端到端可微的。
MAEP是一个免训练专家剪枝框架，只需一次前向传播就能按模态拆解专家重要性，将约58 GB的MoE多模态大模型压进单张40 GB GPU。
在MoE多模态大模型中，专家参数占模型体积的九成以上。
如果目标是高并发、低延迟的在线服务，MoE 通常在性价比上更占优。
还有 40 条时间轴事件
全部知识事实 (20)
NVIDIA Nemotron 3.5 Super VL 是 120B 参数 MoE 模型，激活参数 12B，支持最高 100 万 token 上下文，面向文档理解、computer use 和 agent 场景。
90%已验证Flash模型通常采用知识蒸馏技术，以旗舰模型为教师模型训练出参数量更小、推理速度更快的学生模型
90%已验证GPT-4采用混合专家（MoE）架构，估计总参数量达1.8万亿，每次推理实际激活参数约为总量的1/8
90%已验证混合专家模型的理论根源可追溯至1991年Jacobs等人提出的混合专家系统
90%已验证DeepSeek-V3采用了混合专家架构（MoE），总参数量达6710亿，但每次推理仅激活约370亿参数
90%已验证Google的Switch Transformer和Mistral的Mixtral 8x7B是MoE架构的典型代表
90%已验证MoE架构每次推理时通常仅激活总参数的10%-20%
90%已验证MOE架构将模型内部划分为多个专家子网络，每次推理时由门控网络动态选择少数专家参与计算，实际激活参数量远小于总参数量
90%已验证DeepSeek是由中国人工智能公司深度求索开发的大语言模型系列
90%已验证MoE架构的显存占用与推理延迟按激活参数量计算，而非总参数量
90%已验证Muse Spark Open采用MoE架构，总参数816B，激活参数42B。
85%已验证Mistral Large 4采用稀疏混合专家（MoE）架构，每次推理实际激活参数为490亿（49B）
85%已验证Qwen3.8-Flash-Next 采用 125B 总参数、6B 激活参数的混合专家（MoE）架构
85%已验证MoE 的大容量小激活设计使模型知识容量与推理成本得以解耦
85%已验证若MoE模型每次推理仅激活约1/8的参数，实际计算开销可能仅相当于百亿参数级别的稠密模型
85%已验证混合专家模型（MoE）通过门控机制对每个输入token动态选择少数专家激活，从而在保持模型能力的同时降低单次计算开销
85%已验证混合专家架构MoE将前馈网络层替换为多个专家子网络，通过路由器动态激活部分专家，使实际激活参数量仅为总量一小部分
85%已验证Google的Gemini 1.5系列已被证实采用MoE（混合专家）架构
85%已验证GPT-4和Mixtral等主流大模型也采用了MoE架构
85%已验证Qwen 3.8 Flash Next采用混合专家架构（MoE）
80%