index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_guoji1.html
![]()
专家混合（MoE）架构是一种改进Transformer模型的策略，通过引入多个“专家”来提升模型性能，例如DeepSeek V3和R1。MoE在解码器块中使用专家，而非Transformer的前馈网络，从而加速推理过程。路由器负责选择合适的专家，但训练过程中面临专家选择不均等的问题。文章探讨了MoE的挑战及解决方案，包括添加噪声、限制专家处理的token数量，以确保所有专家都能得到充分训练。Mixtral 8x7B是基于MoE的知名LLM。
💡 MoE与Transformer的区别在于解码器结构：Transformer使用前馈网络，而MoE使用更小的“专家”网络。推理时，仅激活部分专家，从而提升速度。
⚙️ 路由器是MoE的核心组件：它像一个多分类分类器，为专家生成softmax分数，并选择前K个专家。路由器与网络共同训练，学习如何选择合适的专家。
⚠️ 训练中面临的挑战：专家选择不均等，导致部分专家训练不足。通过在路由器前馈输出中添加噪声，以及限制每个专家处理的token数量来解决。
🚀 MoE的优势：虽然MoE拥有更多参数，但每次仅激活部分参数，使其推理速度更快。Mixtral 8x7B是基于MoE的知名LLM，证明了MoE的潜力。
2025-06-27 12:03 浙江
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。
图片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。
图片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。
图片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！
图片挑战 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！
图片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。
图片挑战 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！
图片（完）
阅读原文
跳转微信打开
