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)
有用户希望下一代模型“把N-gram推到极限”，并期待Qwen4 Flash Next拥有更大的N-gram表或更多专家。
专家数量增多意味着总容量更大、知识覆盖面更广，但会带来显存占用、负载均衡和通信开销等部署难题。
MoE 模型需要按总参数量加载权重，且对显存带宽和批处理策略更敏感。
MoE 架构将 Transformer 中的前馈网络层（FFN）拆分成多个并行的专家，每个 token 只被路由到少数几个专家进行计算。
MoE 模型的显存占用不会因为稀疏激活而等比例下降，所有专家参数仍需驻留在显存中。
MoE 架构打破了稠密模型中推理成本与参数量成正比的线性关系，使参数量可以继续膨胀而单 token 计算量保持在可控范围。
名称中的“A3B”指混合专家（MoE）架构，总参数较大但每个 token 只激活部分专家，推理时显存占用和速度接近更小的稠密模型。
分组GEMM（Grouped GEMM）将多个不同形状的矩阵乘打包成一次内核调用，典型用于MoE（混合专家）模型中不同专家权重的并行计算，能显著减少内核启动开销。
DeepSeek 的 MoE 模型每个 Transformer 层包含数十甚至上百个专家前馈网络，每个词元只被路由器分配给少数几个专家。
DeepSeek 为 MoE 每块 GPU 保留一个热门专家副本的备用槽位，系统每隔几千步根据流量情况移动这些副本。
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%已验证DeepSeek V4 Flash是深度求索推出的针对速度和成本优化的高性价比推理模型
80%已验证MoE架构通过多个专家网络和路由机制，在每次前向传播时只选择性激活部分专家，在保持大模型容量的同时降低计算开销
80%