动态稀疏MoE的分布一致性推理方法
原文标题：Distribution-Consistent Inference for Dynamic Sparse Mixture-of-Experts
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出，推理时减少激活专家数量会系统性增大 SMoE 输出的 RMS 尺度与方差，造成表示不匹配并拖累下游性能。为此提出逐层分布对齐（LDA），利用逐层校准统计量将降路由表示对齐到默认配置。在多个 SMoE 大模型与基准上，LDA 能在几乎无额外开销的情况下挽回大部分因分布偏移而损失的性能。
- 问题
- 推理时动态减少激活专家数会带来分布偏移，拖累下游性能。
- 方法
- 提出逐层分布对齐（LDA），用逐层校准统计量把降路由表示对齐回默认 top-k 配置，几乎零额外开销。
- 结果
- 未给出量化结果。
- 影响
- 让 MoE 推理可以按需降低专家预算而不明显掉点，是低成本推理加速的即插即用补丁。
深读 · 结论先行AI 生成展开看要点与影响 ↓
推理时减少激活专家会抬高SMoE输出RMS尺度与方差，LDA以近零开销挽回大部分损失
- •论文指出降路由造成的分布偏移是除专家容量损失外的可纠正性能损失来源
- •LDA用逐层校准统计量，把降路由表示对齐到默认top-k配置
- •在多个SMoE大模型、基准与路由策略上验证，几乎无额外开销
- •方法为推理时轻量修正，无需重新训练
为什么重要：对想用动态top-k省算力的MoE部署方有用：不处理分布偏移，省下的计算会以精度形式还回去。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。