ylhan/note_sync

Fork 0

Files

T

ylhan 8a4210f380 将 note 笔记库同步到 note_sync，AI_compiler 作为 submodule

2026-08-20 17:42:14 +08:00

10 KiB

Raw Permalink Blame History

MoE 混合专家架构

Mixture of Experts — 用稀疏激活实现"参数量 vs 计算量"的解耦，是 DeepSeek V4、GPT-4、Mixtral 等旗舰模型的核心架构

一、为什么要 MoE？

密集模型的困境

传统 Transformer 中，每个 Token 流经所有 FFN ¹ 参数：

Token → FFN（全部参数参与计算）→ 输出

参数量越大 → 每次推理计算量越大 → 训练和推理成本线性增长。

MoE 的核心思想

"参数多，但每次只用一小部分"

Token → 路由器 → 选择最相关的几个专家 → 只激活它们 → 输出
                      ↑
                  其他专家保持休眠

	密集模型	MoE 模型
总参数量	100B	可以到 1.6T（16倍）
每次推理计算量	100B	仅约 36B
训练效率	基准	更高（同算力下能训练更大模型）
推理延迟	基准	需要加载更多权重到显存

二、MoE 层的工作原理

数学公式


\text{MoE}(x) = \sum_{i \in \text{TopK}(G(x), k)} G(x)_i \cdot E_i(x)

其中：

符号	含义
`G(x)`	路由器/门控网络，输出每个专家的"置信度分数"
`TopK(G, k)`	选择分数最高的 k 个专家（通常 k=2~8）
`E_i(x)`	第 i 个专家（一个 FFN ¹ 子网络）
`G(x)_i`	Softmax 归一化后的专家权重

一句话总结

输入 Token → 路由器打分 → 选 Top-K 专家 → 加权合成输出

结构图解

输入 Token x
    │
    ▼
┌───────────┐
│  路由器 G   │  ← 一个小型线性层，输出 N 个分数
│  (Gate)    │     (N = 专家总数)
└─────┬─────┘
      │ Softmax 归一化
      │ 选出分数最高的 k 个
      ▼
┌─────────────────────────────────────┐
│        N 个专家（Expert）             │
│  ┌─────┐ ┌─────┐ ┌─────┐    ┌─────┐│
│  │ E₁  │ │ E₂  │ │ E₃  │... │ Eɴ  ││
│  │💤   │ │🔥   │ │💤   │    │🔥   ││
│  └─────┘ └──┬──┘ └─────┘    └──┬──┘│
│             │                 │     │
│  只激活 k=2 个专家!           │     │
└─────────────┼─────────────────┼─────┘
              │                 │
              └─── 加权求和 ────┘
                    │
                    ▼
              输出 MoE(x)

三、MoE 层 vs 标准 FFN 层

标准 Transformer 块：                使用 MoE 的 Transformer 块：

注意力层 [^Attn]                       注意力层 [^Attn]
   ↓                                    ↓
FFN（全部参数）                       路由器 → 选择专家
   ↓                                    ↓
注意力层 [^Attn]                     被选中的专家（稀疏激活）
   ↓                                    ↓
FFN（全部参数）                       注意力层 [^Attn]
                                        ↓
                                    路由器 → 选择专家
                                        ↓
                                    被选中的专家（稀疏激活）

只在 FFN 层引入 MoE，注意力层保持不变（注意力机制本身就负责 Token 间信息交互，无需稀疏化）。

四、关键设计维度

1. 专家粒度

类型	说明	示例
粗粒度	少量大专家（如 8 个，每个完整 FFN 大小）	早期 MoE、Mixtral 8×7B
细粒度	大量小专家（如 384 个微专家，每个很小）	DeepSeek-V3/V4（64 个微专家/层，激活 6 个）

细粒度的优势：

路由组合更灵活：从 N 选 k 变为 mN 选 mk，组合数暴增
DeepSeek V4 每层约 3630 万种可能的专家组合
同等总参数下，每个专家更小，训练/推理更灵活

2. 共享专家 vs 路由专家

类型	说明
共享专家	始终激活，捕捉通用模式（语法、基础常识）
路由专家	按 Token 动态选择，负责特定领域（数学、代码、翻译...）

DeepSeekMoE 采用两层设计：

2 个共享专家（always on）
62 个路由专家（每个 Token 激活 6 个）

共享专家提升训练稳定性，但可能降低专家专门化程度。

3. 路由器设计

简单线性路由器（当前主流）：

router_logits = W_g · x     ← 一个小矩阵，N × d_model
topk_experts = TopK(softmax(router_logits), k)

实际推理时的路由模式：

每个 Token 独立路由（不考虑上下文）
序列中相邻 Token 可能路由到不同专家

五、负载均衡 — MoE 的核心挑战

问题

如果路由器"偷懒"，总是选固定的几个专家 → 其他专家闲置 → 退化为密集模型

传统方案：辅助损失（Auxiliary Loss）


L_{total} = L_{主任务} + \alpha \cdot L_{负载均衡}

强制惩罚专家使用不均匀的情况。问题：梯度冲突，可能导致训练不稳定。

2025 前沿：无梯度负载均衡

# 动态偏置调整 — 不干扰主损失梯度
logits_i(t+1) = W_g · x + b_i(t) - γ · (f_i(t)/f̄(t) - 1)

其中：

f_i(t)：当前被路由到专家 i 的 Token 比例
f̄(t)：理想平均比例 = 1/N
效果：专家使用率的变异系数 < 0.1，无梯度冲突

六、2025 年前沿进展

1. DAG-MoE ²（ICML 2026）

不是简单加权平均专家输出，而是把选中的专家排列成有向无环图（DAG, Directed Acyclic Graph），实现结构化的专家聚合（DAG 聚合）

传统 MoE：  E₁↘
            E₂ → 加权平均 → 输出
            E₃↗

DAG-MoE：   E₁ → E₃ ↘
            E₂ → E₄ → E₆ → 输出（信息流经多个专家）

允许单层内多步推理
模型学习最优的专家聚合结构（每个输入不同）
同等 FLOPs 下更强的表达能力

2. MoLE：查找表专家（ICML 2025 Oral）

将训练好的 FFN 专家重新参数化为查找表（LUT），专家计算变为查表操作

推理速度接近密集模型
大幅降低显存占用
使 MoE 在内存受限设备上部署成为可能

3. MoE + MLA（Multi-head Latent Attention，多头潜在注意力） ³

正交瓶颈联合优化：

瓶颈	方案
FFN 计算量大	MoE 稀疏激活
注意力 KV 缓存大	MLA 低秩压缩

ρ = 1/2 时：KV 缓存减少 68%，推理加速 3.2×
困惑度仅下降 0.8%
DeepSeek V4 使用此组合

4. MoE-X：可解释 MoE（ICML 2025）

将 MoE 层理解为等效的大型稀疏 MLP
强制专家内部也做稀疏激活
可解释性超越 Sparse Autoencoder（SAE）方法

七、主流 MoE 模型对比

模型	总参数	激活参数	专家数	激活数	特点
Mixtral 8×7B	46.7B	12.9B	8	2	经典粗粒度 MoE
DeepSeek-V3	671B	37B	256	8	细粒度 + 共享专家
DeepSeek-V4 Pro	1600B	36B	384/层	6	细粒度 + MLA + DSpark
DeepSeek-V4 Flash	284B	13B	精简	精简	Pro 的轻量版
GPT-4（传闻）	1.8T	~280B	16（推测）	2	早批大规模 MoE

趋势：专家数量越来越多，每个专家越来越小（细粒度），激活参数占比越来越低。

八、MoE 的代价

代价	说明
显存占用	所有专家都在 VRAM 里，即使大部分不激活 → 需要更多 GPU
通信开销	多 GPU 部署时，Token 需要跨 GPU 路由到专家
训练不稳定	负载均衡损失与主损失可能冲突
微调困难	稀疏激活 → 梯度更稀疏 → 微调更难收敛
批次大小	每个专家实际收到的 Token 少 → 需要较大 batch size

九、总结

MoE = 用路由器在大量专家中选择少数激活，实现"参数膨胀但计算可控"

关键取舍：
  优势：同等算力下更大的模型容量、更好的性能/成本比
  代价：更高显存、更复杂的工程、训练和微调挑战

2025 年趋势：
  细粒度 → DAG 聚合 → 可解释 → 查找表推理 → 与 MLA 协同

脚注

FFN（Feed-Forward Network，前馈神经网络）：Transformer 中每个位置的独立全连接子网络。结构为两层 MLP：W₂ · Act(W₁ · x + b₁) + b₂，参数量约占整个 Transformer 块的 2/3，是模型"知识存储"的主要位置。现代模型多使用 SwiGLU 激活的变体。详见 FFN 前馈网络详解。 ↩︎
DAG 聚合（DAG Aggregation）：将选中的专家按有向无环图（DAG）的结构进行串联/并联组合，而非传统的简单加权平均。每个输入路由到一组专家后，模型学习这些专家之间最优的信息流动路径——例如 E₁ 的输出作为 E₃ 的输入，E₂ 的输出则直接进入最后阶段。这允许在单层 MoE 内完成多步推理，表达能力强于传统加权求和，同等 FLOPs 下能取得更好性能。DAG-MoE 发表于 ICML 2026。 ↩︎
MLA（Multi-head Latent Attention，多头潜在注意力）：DeepSeek 提出的注意力压缩技术。核心思路是将 K 和 V 首先投影到一个低维潜在空间（d_latent << d_model），再从中展开供注意力计算使用。这大幅减少了 KV 缓存的显存占用——在 ρ = 1/2 时可缩减 68%，且对模型质量影响极小（困惑度仅降 0.8%）。MLA 与 MoE 是正交优化：MoE 省 FFN 计算，MLA 省注意力显存，两者叠加效果倍增。 ↩︎

10 KiB Raw Permalink Blame History Unescape Escape