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)
Qwen3.8-27B 的 3-bit 和 NVFP4 版本分别得分 0.39 和 0.34，落后于 MoE 架构的 Flash-Next，配对差异为 +0.16，P = 0.92。
MoE 的稀疏激活特性（参数多、计算少）是磁盘流式加载可行的根本原因。
Colibri 将专家权重保存在磁盘上，推理时仅加载当前 token 路由到的少数专家，从而内存占用与单次激活的专家规模相关，而非随模型总参数量线性增长。
在 MoE 模型的提示读取阶段，几乎每一层的每个专家都会被触及，导致一个 1.2K token 的提示需要从 SSD 加载 58 GB 数据。
TAIL_SKIP是社区对一类跳过部分计算优化技巧的俗称，常见于混合专家（MoE）模型推理中，当专家权重不在内存时直接跳过计算。
结构化冗余的利用能够在不显著损失性能的前提下有效压缩专家数量，降低内存占用。
MoE层中专家输出存在结构化冗余，表现为专家输出的稳定秩和熵有效秩远低于名义专家数量，且输出分布的有效模态更少。
作者曾尝试通过门控剪枝加速CPU/GPU卸载，但发现该方法在低比特量化模型上会悄然降低输出质量和推理能力，因此放弃了原型。
MoE 架构中，总参数决定硬件门槛（显存需容纳全部权重），激活参数决定运行速度。
Mistral Large 4 采用 1T 总参数、52B 激活参数的 MoE 架构。
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%已验证DeepSeek V4 Flash是一款总参数量284B的MoE多模态模型
80%