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)
基于专家内部激活的选择需要先做一次预计算，而将多个完整表示分别送入同一专家处理会重复该专家的计算量，在固定专家预算下这两条路都会侵蚀 MoE 的效率优势。
单一路由器的排序与专家实际效用评估排序之间一致性较弱，在中层和深层尤为明显。
两款模型都采用混合专家（MoE）与混合 Mamba-Transformer 架构，面向推理、长上下文理解与智能体工作负载。
模型小型化技术包括 MoE 稀疏架构、参数剪枝等。
MoE 训练中，中间结果的搬运成本往往和计算本身同一量级，融合内核能放大收益。
Qwen 3.6 35B采用MoE架构，将所有专家权重放在CPU上、GPU仅保留少量权重时，可维持约40 tokens/秒的生成速度。
MoE 架构中，所有参数仍需加载到内存中，这是 111GB 体积的来源。
可以在路由模块中插入轻量统计来记录每层MoE在当前batch内被选中的专家ID集合，开销很小。
MoE投机解码的端到端加速比取决于草稿token的接受率和草稿窗口内的专家重叠度两个因素。
草稿窗口的长度和采样策略需要针对专家重叠做权衡，更长的窗口不一定更划算。
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%