Суміш Експертів
Суміш експертів (MoE) — це модель моделі, яка розбиває мережу на багато спеціалізованих підмереж і активує лише кілька на один вхід.
Огляд
It lets models hold enormous knowledge while keeping each prediction fast and cheap.
Глибоке занурення
Стандартний трансформатор запускає кожен вхідний сигнал через однакові щільні шари, тому зробити модель розумнішою зазвичай означає здорожчати кожне обчислення. Суміш експертів розриває цей зв’язок. Він замінює великий рівень прямого зв’язку багатьма меншими «експертними» мережами та невеликим «маршрутизатором», який вирішує, які експерти обробляють кожен маркер. Зазвичай спрацьовують лише 1 або 2 найкращі експерти, тому модель може мати сотні мільярдів загальних параметрів, але активувати лише невелику частину на токен. Ось чому такі моделі, як Mixtral 8x7B і архітектура GPT-4, за чутками, досягають високої якості без пропорційно високих витрат на висновки. Компроміс полягає в складності: усі експерти все ще повинні вміщуватися в пам’яті, і маршрутизатор може неправильно скерувати або перевантажити деяких експертів, тому навчання вимагає ретельного балансування.
Технічне розуміння
Серцем MoE є мережа шлюзів, невеликий навчений рівень, який оцінює кожного експерта за вхідний токен і направляє токен до k найвищих результатів (часто k=1 або 2). Щоб завадити маршрутизатору надсилати все кільком улюбленим експертам, навчання додає допоміжну «втрату балансування навантаження», яка штрафує нерівномірне використання. Оскільки лише k експертів працюють на один токен, обчислення (FLOPs) залишаються приблизно постійними, навіть якщо ви додаєте більше експертів, тому загальні параметри та вартість кожного токена масштабуються незалежно.
Стратегічний вплив
Вартість і бюджет
Архітектурні рішення збільшують продуктивність і експлуатаційні витрати протягом багатьох років.
Чіткіші рішення
Технічна освіта допомагає командам вибрати правильний стек, а не лише найновіший.
Контроль якості
Кращий інженерний вибір зменшує проблеми з надійністю у виробництві.
Майбутнє суміші експертів
MoE стає інструментом за замовчуванням для моделей передового масштабу, оскільки він відокремлює потужність від вартості. Очікуйте більш детальних експертів, розумнішої маршрутизації, яка враховує більше контексту, і кращих методів для обслуговування величезних розріджених моделей на обмеженому обладнанні. Дослідження також вирішують проблему пам’яті, оскільки всі експерти мають бути завантажені, навіть якщо деякі запускаються, через розвантаження експертів і квантування. У міру зрілості відкритих моделей, таких як Mixtral і DeepSeek-MoE, розріджені архітектури, ймовірно, забезпечать ефективніші помічники з меншими бюджетами GPU.
Реалізація в реальному світі
Mixtral 8x7B використовує 8 експертів і активує 2 на токен, що дає приблизно 47 Б загальних параметрів, але лише ~13 Б активних на токен для швидшого та дешевшого висновку.
DeepSeek і Qwen постачають великі мовні моделі MoE, які відповідають щільним моделям у контрольних тестах і працюють із меншим обчисленням на токен.
Хмарні постачальники LLM використовують MoE, тому одна величезна модель може обслуговувати багато користувачів за доступною ціною, оскільки кожен запит залучає лише кількох експертів.
Попередній Switch Transformer від Google масштабовано до понад трильйона параметрів за допомогою маршрутизації top-1, щоб забезпечити керованість навчальними обчисленнями.
Ризики та огорожі
Оптимізація одного тесту може приховати ширші слабкі сторони системи.
Витрати на інфраструктуру та обслуговування часто недооцінюються.
Прогалини в безпеці та спостережуваності можуть зростати в міру ускладнення систем.
Дорожня карта впровадження
Визначте цільові показники затримки, якості та вартості перед впровадженням.
Тест за реалістичних умов навантаження та даних.
Моніторинг інструментів на наявність помилок, дрейфу та впливу користувача.
Перед масштабуванням підготуйте шляхи відкату та реагування на інциденти.
Продовжуйте досліджувати
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Mixture of Experts quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Наступний посібник
Суміш експертів LoRA
Часті запитання
What is Mixture of Experts?
Суміш експертів (MoE) — це модель моделі, яка розбиває мережу на багато спеціалізованих підмереж і активує лише кілька на один вхід. Це дозволяє моделям зберігати величезні знання, зберігаючи кожне передбачення швидким і дешевим.
На шарі суміші експертів, що вирішує, які експерти обробляють певний маркер?
Невелика мережа шлюзів вчиться оцінювати кожного експерта за токен і направляє його до тих, хто набрав найбільші результати. Маршрутизація вивчається, а не фіксована чи випадкова.
Чому модель MoE може мати набагато більше загальних параметрів, ніж щільна модель без відповідного збільшення вартості токена?
Оскільки лише кращі k експертів запускають один маркер, активне обчислення залишається приблизно постійним, навіть якщо загальна кількість параметрів зростає за рахунок додавання нових експертів.
Яку проблему вирішує балансування навантаження (допоміжні) втрати під час навчання MoE?
Без балансування маршрутизатор, як правило, надає перевагу жменьці експертів. Допоміжні втрати штрафують за нерівномірне використання, тому всі експерти проходять навчання.
Mixtral 8x7B активує 2 із 8 своїх експертів за жетон. Що це означає щодо його обчислювальної потужності та його розміру?
Оскільки активні лише 2 із 8 експертів, активні параметри на токен (~13B) набагато менші, ніж загальна ~47B, що знижує вартість висновків.
Що є справжнім недоліком моделей MoE порівняно з такими ж потужними щільними моделями?
Незважаючи на те, що лише кілька експертів обчислюють один токен, ваги кожного експерта мають бути завантажені в пам’ять, тому моделі MoE потребують пам’яті для обслуговування.