专家混合（MoE）是一种流行的架构，比如最近火爆天的 DeepSeek V3 和 R1 就是这类模型。它利用不同的“专家”来改进 Transformer 模型。

下面的示意图展示了它们与 Transformer 的不同之处。

Transformer 和 MoE 在 decoder 块中有所不同：

Transformer 使用前馈网络。

MoE 使用 experts，它们是前馈网络，但与 Transformer 中的网络相比更小。

在推理过程中，将选择专家的子集。这使得 MoE 中的推理速度更快。

由于网络包含多个解码器层：

文本会在不同的层中经过不同的专家。

每个 token 选择的专家也各不相同。

但是，模型如何决定哪些专家是理想的呢？

这由路由器（Router）来完成。接下来我们来讨论它。

路由器就像一个多分类分类器，它对专家生成 softmax 分数。根据这些分数，我们选择前 K 个专家。

路由器与网络一起训练，并学习如何选择最合适的专家。

但这并不简单。让我们来看看其中的挑战！

挑战 1）注意训练初期的这一模式：

模型选择“专家 2”

该专家变得稍微更好

可能会再次被选中

该专家学到更多知识

又被选中

学到更多知识

如此循环！

许多专家因此训练不足！

我们通过两个步骤来解决这个问题：

在路由器的前馈输出中添加噪声，使其他专家的 logits 更高。

将除前 K 个之外的所有 logits 设为负无穷大，这样在 softmax 之后，这些分数就变为零。

这样，其他专家也有机会参与训练。

挑战 2）某些专家可能会比其他专家处理更多的 token，导致部分专家训练不足。

我们通过限制每个专家可处理的 token 数量来避免这种情况。

如果某个专家达到上限，输入的 token 就会被传递给下一个最合适的专家。

MoE 具有更多的参数需要加载，但由于每次仅选择部分专家，因此只有一部分参数被激活。

这使得推理速度更快。@MistralAI 的 Mixtral 8x7B 就是一个基于 MoE 的知名大型语言模型（LLM）。

下面是对比 Transformer 和 MoE 的示意图！