概述
It can reduce the expert weights held per device, while routing and communication costs affect whether serving is efficient.
深入探讨
专家混合 (MoE) 层用许多较小的网络（专家）取代一个大型前馈网络，再加上一个为每个代币挑选前 k 个（通常是 1 或 2 个）专家的路由器。专家并行 (EP) 将不同的专家置于不同的 GPU 上。在推理时，路由器决定每个令牌需要哪些专家，然后全对所有通信步骤将令牌洗牌到保存其所选专家的 GPU，运行 FFN，并将结果洗牌回来。这使得模型具有巨大的总参数（稀疏），同时仅激活每个令牌的一小部分（低失败率）。 Mixtral 8x7B、DeepSeek-V3 和 GPT-OSS 等模型都使用它。困难的部分是专家之间的负载平衡以及每层两个昂贵的全对全跳跃。
现实世界的实施
通过在每台设备上放置 8 个专家中的 2-4 个，跨 2-4 个 GPU 提供 Mixtral 8x7B 服务
DeepSeek-V3 使用节点限制路由来限制代币专家跨越的节点数量，从而减少节点间的全对全
使用 vLLM 或 SGLang 专家并行模式在单个 8-GPU 节点上托管 200B+ 稀疏模型
在混合 EP+TP 部署中将注意力层上的专家并行性与张量并行性相结合
MoE 服务专家并行的未来
预计路由和硬件将实现更紧密的协同设计：融合调度-计算-组合内核、可批量处理许多专家的分组 GEMM，以及支持 NVLink/InfiniBand 的全能型。 DeepSeek 的辅助无损平衡和节点限制路由等技术减少了跨节点流量。分解服务将专用于与注意力 GPU 分开的“专家”GPU，并且具有更精细的 top-k 的更大专家数量（数百个）将推动 MoE 走向极端稀疏，同时保持每个代币成本平坦。
付诸实践
为什么这很重要
- 成本与预算. 多年来，架构决策决定着性能和运营成本。
- 更清晰的判决. 技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
- 质量控制. 更好的工程选择可以减少生产中的可靠性事故。
留意
- 优化一项基准测试可以隐藏更广泛的系统弱点。
- 基础设施和维护成本常常被低估。
- 随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
后续步骤
- 在实施之前定义延迟、质量和成本目标。
- 在实际负载和数据条件下进行基准测试。
- 仪器监控错误、漂移和用户影响。
- 在扩展之前准备回滚和事件响应路径。
不断探索
常见问题
What is Expert Parallelism for MoE Serving?
Expert parallelism distributes a Mixture-of-Experts layer’s feed-forward experts across devices. It can reduce the expert weights held per device, while routing and communication costs affect whether serving is efficient.
专家并行在 GPU 上的分布是什么？
专家并行性将不同的专家（MoE 层的 FFN 子网络）放置在不同的 GPU 上，因此每个设备仅包含专家的子集。
哪种通信模式对于 MoE 专家并行性至关重要？
每个 MoE 层通常需要一个 all-to-all 来将代币分发给其专家，并需要另一个 all-to-all 将输出合并回来。
尽管总参数巨大，为什么 MoE 仍保持每个代币的计算量较低？
路由器仅激活每个令牌的前 k 个专家（通常是 1-2 个），因此即使模型总共有许多专家，FLOP 仍然很小。
由于路由依赖于数据会产生什么问题？
由于路由器的选择取决于输入，因此某些专家会比其他专家收到更多的令牌，从而造成负载不平衡和落后者。
Why are capacity limits and padding used in some MoE implementations?
Capacity-limited designs can pad or drop work, but dropless approaches also exist. This is an implementation choice rather than a universal serving requirement.