前言

专家混合（MoE）是一种流行的架构，比如最近火爆天的 DeepSeek V3 和 R1 就是这类模型。它利用不同的“专家”来改进 Transformer 模型。

下面的示意图展示了它们与 Transformer 的不同之处。

Transformer 和 MoE 在 decoder 块中有所不同：

• Transformer 使用前馈网络。

• MoE 使用 experts，它们是前馈网络，但与 Transformer 中的网络相比更小。

在推理过程中，将选择专家的子集。这使得 MoE 中的推理速度更快。

由于网络包含多个解码器层：

• 文本会在不同的层中经过不同的专家。

• 每个 token 选择的专家也各不相同。

但是，模型如何决定哪些专家是理想的呢？

这由路由器（Router）来完成。接下来我们来讨论它。

路由器就像一个多分类分类器，它对专家生成 softmax 分数。根据这些分数，我们选择前 K 个专家。

路由器与网络一起训练，并学习如何选择最合适的专家。

但这并不简单。让我们来看看其中的挑战！

挑战 1）注意训练初期的这一模式：

• 模型选择“专家 2”

• 该专家变得稍微更好

• 可能会再次被选中

• 该专家学到更多知识

• 又被选中

• 学到更多知识

• 如此循环！

许多专家因此训练不足！

我们通过两个步骤来解决这个问题：

• 在路由器的前馈输出中添加噪声，使其他专家的 logits 更高。

• 将除前 K 个之外的所有 logits 设为负无穷大，这样在 softmax 之后，这些分数就变为零。

这样，其他专家也有机会参与训练。

挑战 2）某些专家可能会比其他专家处理更多的 token，导致部分专家训练不足。

我们通过限制每个专家可处理的 token 数量来避免这种情况。

如果某个专家达到上限，输入的 token 就会被传递给下一个最合适的专家。

MoE 具有更多的参数需要加载，但由于每次仅选择部分专家，因此只有一部分参数被激活。

这使得推理速度更快。@MistralAI 的 Mixtral 8x7B 就是一个基于 MoE 的知名大型语言模型（LLM）。

下面是对比 Transformer 和 MoE 的示意图！

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】