面向 MoE 大模型的子专家级微调方法
原文标题：From Experts to Sub-experts: Fine-grained Parameter-Efficient Fine-Tuning for MoE LLMs
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。
研究观察到 MoE 模型中激活专家内部同样稀疏，仅少量中间通道对下游任务强响应，因此专家级适配仍过粗。作者提出 NSFT 框架，将专家沿中间维度分解为结构化通道组，结合路由重要性与专家内激活显著性选择子专家。在 OLMoE 与 Ling-mini-2.0 上，NSFT 以更少可训练参数超越代表性 PEFT 与专家级稀疏微调基线。
- 问题
- MoE模型微调粒度太粗，专家级适配仍更新整块专家。
- 方法
- 沿中间维度把专家拆成结构化通道组，结合路由重要性与专家内激活显著性选子专家，并加学习率与梯度缩放补偿更新幅度。
- 结果
- 在OLMoE与Ling-mini-2.0上以更少可训练参数超过代表性PEFT与专家级稀疏微调基线。
- 影响
- 为MoE大模型提供更省参数的领域适配路径，做低成本微调的团队可直接替换现有PEFT方案。
深读 · 结论先行AI 生成展开看要点与影响 ↓
NSFT把MoE微调粒度从专家细化到子专家，参数更少却超过PEFT基线。
- •观察依据：激活专家内部同样稀疏，仅少量中间通道对下游任务强响应。
- •方法：沿中间维度把专家分解为结构化通道组，结合路由重要性与专家内激活显著性选子专家。
- •配套引入学习率缩放与动态梯度缩放，补偿稀疏部分更新带来的有效更新量下降。
- •在OLMoE与Ling-mini-2.0的领域任务与通用基准上，以更少可训练参数超越代表性PEFT与专家级稀疏微调基线。
为什么重要：为MoE大模型的低成本适配给出更细的粒度选择，做参数高效微调的团队可据此重新评估「专家级」是否已经过粗。
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。