概述
专家混合 (MoE) 是一种模型设计，它将网络分成许多专门的子网络，并且每个输入仅激活几个子网络。它让模型掌握大量知识，同时保持每次预测快速且廉价。
专家混合是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
标准变压器通过相同的密集层运行每个输入，因此使模型更智能通常意味着使每个计算更加昂贵。专家的混合打破了这种联系。它用许多较小的“专家”网络以及一个决定哪些专家处理每个令牌的小型“路由器”取代了大型前馈层。通常只有前 1 或 2 位专家会触发，因此模型可以拥有数千亿个总参数，但每个令牌仅激活一小部分。这就是为什么像 Mixtral 8x7B 这样的模型和传闻中的 GPT-4 架构能够在没有相应高推理成本的情况下达到高质量。权衡是复杂性：所有专家仍然必须适合内存，并且路由器可能会错误路由或过载某些专家，因此训练需要仔细平衡。
技术洞察
MoE 的核心是门控网络，这是一个小型学习层，它对每个专家的传入令牌进行评分，并将令牌路由到前 k 个最高得分者（通常 k=1 或 2）。为了阻止路由器将所有内容发送给一些最喜欢的专家，训练添加了辅助“负载平衡损失”，以惩罚不均匀的使用情况。由于每个代币只有 k 个专家运行，因此即使添加更多专家，计算（FLOP）也大致保持不变，因此总参数和每个代币成本独立扩展。
掌握专家组合
专家混合 (MoE) 是一种模型设计，它将网络分成许多专门的子网络，并且每个输入仅激活几个子网络。它让模型掌握大量知识，同时保持每次预测快速且廉价。专家混合是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将专家混合视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，强大的团队使用专家混合来根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
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。
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。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
Mixtral 8x7B 使用 8 个专家，每个令牌激活 2 个专家，总共提供大约 47B 个参数，但每个令牌只有约 13B 个活跃参数，以实现更快、更便宜的推理。
DeepSeek 和 Qwen 提供了大型 MoE 语言模型，可以在基准测试中匹配密集模型，同时以较低的每个代币计算运行。
云 LLM 提供商使用 MoE，因此一个庞大的模型可以经济实惠地为许多用户提供服务，因为每个请求只能满足少数专家的需求。
Google 的早期 Switch Transformer 使用 top-1 路由扩展到超过一万亿个参数，以保持训练计算的可管理性。
实施模式
实践中的专家组合
Mixtral 8x7B 使用 8 个专家，每个令牌激活 2 个专家，总共提供大约 47B 个参数，但每个令牌只有约 13B 个活跃参数，以实现更快、更便宜的推理。
Mixtral 8x7B 使用 8 名专家，每个令牌激活 2 个专家，提供大约 47B 的总参数，但每个令牌仅约 13B 活动，以实现更快、更便宜的推理。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的专家组合
DeepSeek 和 Qwen 提供了大型 MoE 语言模型，可以在基准测试中匹配密集模型，同时以较低的每个代币计算运行。
DeepSeek 和 Qwen 提供了大型 MoE 语言模型，这些模型与基准上的密集模型相匹配，同时以较低的每个代币计算量运行。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的专家组合
云 LLM 提供商使用 MoE，因此一个庞大的模型可以经济实惠地为许多用户提供服务，因为每个请求只能满足少数专家的需求。
云 LLM 提供商使用 MoE，因此单个庞大的模型可以经济实惠地为许多用户提供服务，因为每个请求只会激发少数专家。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的专家组合
Google 的早期 Switch Transformer 使用 top-1 路由扩展到超过一万亿个参数，以保持训练计算的可管理性。
Google 的早期 Switch Transformer 使用 top-1 路由扩展到超过一万亿个参数，以保持训练计算的可管理性。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
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。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。