粤ICP备17114055号
微信扫码
与创始人交个朋友
支持私有云部署
我要投稿
2024年3、4月这段时间，很多MoE模型扎堆发布，包括Qwen1.5-MoE、DBRX、Jamba和Mistral等。
下面这个表格列出了部分近期发布的MoE工作
| 模型 | 发布时间 | 备注 |
|---|---|---|
| GPT4 | 2023年3月 | 23年6月George Hotz爆料GPT4是8×220B模型 |
| Mistral-8×7B | 2023年12月 | Mistral AI，开源 |
| LLAMA-MoE | 2023年12月 | github开源项目 |
| DeepSeek-MoE | 2024年1月 | 幻方量化，国内首个开源MoE模型，有技术报告 |
| abab6 | 2024年1月 | MiniMax，号称千亿MoE，无开源，无细节发布 |
| 天工2.0 | 2024年2月 | 昆仑万维，无开源，无细节发布 |
| Step-2 | 2024年3月 | 阶跃星辰，无开源，无细节发布 |
| MM1 | 2024年3月 | 苹果，多模态MoE，无开源，有技术报告 |
| Grok-1 | 2024年3月 | X，开源 |
| Qwen1.5-MoE-A2.7B | 2024年3月 | 阿里巴巴，开源 |
| DBRX | 2024年3月 | Databricks，开源 |
| Jamba | 2024年3月 | AI21，开源 |
| Mistral-8×22B | 2024年4月 | Mistral AI，开源 |
| WizardLM-2-8×22B | 2024年4月 | 微软，开源 |
| 天工3.0 | 2024年4月 | 昆仑万维，400BMoE |
| Arctic | 2024年4月 | Snowflake，480B，Dense-MoE Hybrid，开源 |
MoE模型目前风头正劲，就连前不久小米汽车发布会上，雷总也弄了个多模态MoE大模型做汽车智能中控
相信今年接下来的这段时间，MoE还会给我们带来更多的大新闻。
本篇将初步梳理MoE相关的一些经典工作和几个近期发布的中文MoE模型，从背景、思路和效果来了解MoE模型。
到文章发出的2024年4月为止，个人认为DeepSeek-MoE和Qwen1.5-MoE是中文领域做得比较好的两个工作，赶时间的朋友可以优先关注这两个工作。
这里先对后面会涉及的MoE相关工作，大致按时间线梳理一下，也列出一些关键信息包括模型结构、模型规模等。
（很多经典的MoE工作都出自Google）
首先是很多MoE相关论文都会引用的，发表在1991年的论文《Adaptive Mixtures of Local Experts》，这篇文章出自Geoffrey Hinton和Michael I. Jordan两位大神之手。虽然在更早的时候就有MoE相关概念的工作，如原文所提到的，1988年这个概念就有了
This idea was first presented by Jacobs and Hinton at the Connectionist Summer School in Pittsburg in 1988.
但是大部分MoE文章还是认为是这个工作奠定了MoE的基础。
时隔二十多年，Google在2017年1月发布了《Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer》，把MoE带进了LSTM，训出了最大137B参数，专家数达到128k的LSTM模型。
2020年6月，Google发布《GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding》，把MoE应用在encoder-decoder结构的transformer模型上，每两层将一个FFN层替换成一个MoE层，训出了模型参数量从12.5B到600B的一系列MoE模型，每层最大专家数也达到2048个。
2021年1月，Google发布《Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity》 ，在T5（encoder-decoder结构）的基础上，把FFN层替换成MoE层，并简化了routing策略，训出了最大1.6T参数量的switch transformer。Switch Transformers对scaling、蒸馏等做了很多详细的探索，影响深远，是很重要的一个工作。
2022年2月，Google发布《ST-MoE: Designing Stable and Transferable Sparse Expert Models》，也是一个基于encoder-decoder结构的MoE模型，最大模型有269B的总参数，32B的激活参数。ST-MoE可以说不仅仅是一个MoE工作，对于模型结构、工程实现、训练策略等都做了很多分析，个人认为其重要程度相比Switch Transformer都有过之而无不及。
2021年12月，Google发布了GLaM，《GLaM: Efficient Scaling of Language Models with Mixture-of-Experts》，训出了最大为1.2T参数量的decoder-only模型。（从encoder-decoder到decoder-only，可以看到Google内部在模型结构方向上也有很多不同的尝试）
2024年1月，幻方量化发布《DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models》，对在23年12月开源的DeepSeekMoE，给出了一些细节。
2024年，Databricks的DBRX、阿里的Qwen1.5-MoE-A2.7B、Mistral AI的Mistral-8x22B等陆续发布。
Geoffrey Hinton和Michael I. Jordan的《Adaptive Mixtures of Local Experts》是大多数MoE论文都会引用的最早工作。
这篇文章大致的思路是这样的：对于比较复杂的任务，一般可以拆分为多个子任务。比如要求计算输入文本中有多少个动词和名词，那就可以拆分为“数动词”和“数名词”这两个子任务。
而一个模型如果要同时学习多个子任务，多个子任务相互之间就会互相影响，模型的学习就会比较缓慢、困难，最终的学习效果也不好。
因此这篇文章提出了一种由多个分开的子网络组成的监督学习方法。这些分开的网络，在训练过程中，分别学习处理整个训练数据集中的一个子集，也就是一个子任务。这个思路就是现代MoE的思路，每个子网络（也就是一个expert）学习处理一部分内容。
文章里把这个MoE的方法应用于vowel discrimination task，即元音辨别任务，验证了MoE设计的有效性。元音辨别指的是语音学中区分不同元音的能力，在语音学中，模型需要学习辨别不同的元音因素，以便准确地理解和识别语音输入。通过让多个子模型分别学习分别学习不同元音（a、e、i、o、u）辨别的子任务，最终效果得到了提升。
下图展示的就是这个MoE的思路：各个expert network和gating network接收同样的输入，每个expert给出各自的处理结果；而gating network输出每个expert的权重，就像一个开关一样，控制着每个expert对当前输入的打开程度，只是这个开关不是离散的，而是stochastic的，给出的不是true和false，而是权重。
实际上，MoE这个idea在这篇文章之前就有了。如论文中所提，Jacobs和Hinton在1988就讨论过。但是之前的工作在loss的设计上，和ensemble更相近，多个expert之间更倾向于合作，每个expert会学习其他expert的residual部分。
具体来说，对于case ，假设第 是对应的ground truth，第 个expert的输出是 ， 是gating network给第 个expert分配的权重，那么以前的工作所使用的损失函数 计算如下
这样的损失计算方式，是把期望输出和所有expert输出的混合结果进行比较。
这样做的结果是，在训练过程中，每个expert学习的其实是其他expert的组合结果所剩下的残差。这样的学习目标并不能很好迫使每个expert单独输出好的结果，因此不能得到稀疏的模型。
从另一个角度来看，这个损失计算把所有专家耦合在了一起。即当一个expert的输出发生了变化，所有expert的组合结果也会变化，其他所有的expert也需要做相应的改动来适应这个变化。因此各个expert之间更加倾向于合作，而不是相互竞争并单独给出好的结果，让gating network输出稀疏的结果。
虽然可以使用如增加辅助损失函数的做法，迫使模型给出稀疏激活的结果，但是这样相当于增加了很强的先验正则化，对模型最终效果也是有损害的。
而Hinton和Jordan在这个工作里，提出更简单的做法是对loss计算进行修改，使得各个expert之间的关系从合作变成竞争。
假设gating network每次随机选择一个expert，损失计算如下
在这个损失函数中，每个expert的输出结果会单独和期望结果进行对比，这就要求每个expert单独给出完整的结果，而不是仅学习其他expert的残差。
这样的loss计算具有localization的特性，即如果一个训练case错了，那么会被修改的主要是被gating network选中且出错的expert，以及负责分配权重的gating network，而不会很大地影响其他expert。
此外，localization还体现在，每个expert只会负责处理输入空间中某个特定子空间的向量，而不是完整的输入空间。
这样一来，不同的expert之间不会直接相互影响，虽然还是有间接的影响，比如某个expert的输出变了，gating network可能会分配新的权重，但是至少不会改变其他expert error的符号（+，-），即优化的方向。
最终的结果是，对于给定的输入，这样的系统会倾向于以高权重分配单一一个expert来预测结果（但其他权重还不是真正的0，不是真正的稀疏）。
上面提出的这个loss计算，理论上没有问题，实际上也能训练，但是为了得到更好的效果，作者把原loss计算作了如下变化：先指数化再求和，最后再取对数，得到了优化loss。看下变化前后的对比
这样做有什么好处呢？来对比一下原loss函数和优化后的loss函数的求导结果
相比原loss函数的导数，优化后的loss函数的导数，把当前第 个expert的表现，和其他expert联系起来了。这样能够更好地衡量expert 对当前case的处理结果好坏。特别是在训练初期，gating network的权重是近似平均分配的，那么使用原loss函数的结果是，对当前case效果最好的expert，学习速度是最慢的（因为loss最小）；而优化的loss函数则可以让当前最好的expert的学习速度最快。相当于让“有天赋”的专家在对应的子任务上尽快提高水平。这样就强化了localization的特征，使得各个expert更快拟合到自己擅长的部分，加速训练。
（BTW，优化后的这个loss导数，和现在的对比学习形式上看起来也很相似）
这个工作在今天看来不很复杂，但是思路还是很踏实有效的，给MoE奠定了基础。
Google在2017年1月发布了《OUTRAGEOUSLY LARGE NEURAL NETWORKS: THE SPARSELY-GATED MIXTURE-OF-EXPERTS LAYER》，把MoE应用到了LSTM上，训出了最大137B的LSTM模型。这样规模的模型哪怕放在7年后的今天，也是巨无霸的存在，需要解决很多工程问题。
相比1991年的工作，这里做到了真正的稀疏激活，从而可以在实际计算量较少的情况下，训练巨大的模型。
虽然当时Transformer还没出来，大规模模型的竞赛也还不像今天这么激烈，但是在多个领域中（文本、图像、音频），已经有不少工作反复证实了一件事：模型容量越大，能训出来的效果越好，上限越高。但是模型越大，需要的训练数据也就越多，二者共同作用下，就造成了训练开销基本是随着模型增大，以平方关系在增长。
在这个背景下就出现一些conditional computation，条件计算的工作来解决这个问题。conditional computation就是根据输入，有选择地只激活部分网络模块。那么MoE其实就是一种条件计算的实现。由于不用激活全部参数，训练所需的计算量就大大减小，整体计算成本就不用以平方速度增长。
虽然理论上计算量的成本下来了，不过实操起来还是会遇到几个问题：
要解决好这些问题，才能训出比较好的模型来。
先看下模型结构的设计。
论文里使用的是两个LSTM层，中间夹着一个MoE层，最上面和最下面分别还有一个embedding层和一个任务输出层，结构如下图所示
每个expert是一个简单的feed-forward neural network。一共有n个expert，gating network输出是一个稀疏的n维向量
是第 个expert的输出， 是gating network给出的第 个expert的权重。
如果 为0，就不用计算对应的那个expert了，节省了计算。
如果expert的数量特别多，可以用two-level hierarchical MoE，即使用两层gating network，第一层的gating network先选择一个包含一批expert的分支，每个分支又有一个单独的gating network来选择具体的expert。类似word2vec训练所用的hierarchical softmax。这样做可以节省一些计算。
那具体gating network怎么设计呢？
如果对输入进行线性变换，再简单加上一个softmax，那得到的是一个非稀疏的gating function
在这个基础上，使用一个topk函数，只保留最大的k个值，其他都设为﹣∞（softmax之后变成0），这样就能只选择部分expert，得到了稀疏性。
论文提到，虽然理论上这个形式的sparsity（topk）会造成gating function的不连续，不过在实操中暂时没有遇到相关问题。
在这个基础上，在输入再加上一个Gaussian noise，这个noise的大小由另外一个可学习的参数来控制。整体的计算公式如下
其中用来调整noise的非线性函数softplus是个类似ReLU的激活函数，但是更为光滑，函数图像如下
这里添加噪声的原因和负载均衡有关，下面来分析下负载均衡。
在MoE模型训练的实验中观察到，如果不对gating network进行干预，任由模型自由学习，那么最终模型会倾向于收敛到“总是选那几个固定的expert”的状态，而其他expert几乎不会被使用。这就是负载不均衡的状态，如果这些专家分布在不同的计算设备上，结果就是有些设备输入排队特别长，而有些设备基本处于闲置状态，这明显不是我们想要的。
这种负载不均衡的状态有自我加强的属性，因为一旦开始出现部分专家被较多选中激活，这些专家就会得到更充分的训练，从而获得更好的效果，进而又提升被选中激活的概率。
针对这种情况，之前有一些工作使用hard constraint来缓解，比如当某个expert激活次数达到上限，就把它从候选集合中移除。hard constraint明显会对模型效果有影响。而这篇论文使用的是一种soft constraint。
具体来说，对于每个expert，定义了一个它在当前这批输入数据里的重要性指标，如以下公式所示
是gating network给出的权重，是一个维度等于expert数量的向量。
基于这个重要性指标，论文定义了一个辅助损失 ，训练时和模型的交叉熵损失加到一起。 的计算方式如下
其中权重 是手动设置的超参，实验的推荐值是0.1，CV是coefficient of variation。
coefficient of variation离散系数，是概率分布离散程度的一个归一化量度，定义为标准差 和 均值 的比值。
对于MoE来说，确定激活的expert数之后，均值是固定的。如果expert的gating很不平衡，标准差就会很大，离散系数也会很大，使得 变大。
但是这里还是有问题，虽然均衡的负载可以推导出 较小的结论，但是 较小却不能保证负载均衡。也就是说 较小只是负载均衡一个必要不充分条件。
比如一个expert可能以很高的权重被分配到一个样本，而另一个expert可能以不太高的权重被分配到好几个样本。这种情况下对所有输入数据的gating权重进行求和，仍然可能呈现出均匀的表象（离散系数比较小），但这并不符合我们的要求。
为了解决这个问题，需要额外再加上一个损失 。这里就要用到添加在每个expert输出上的随机噪音了。
我们想要各个expert的负载均衡，也就是每个专家需要处理的样本数基本一致，但是分配到各个专家的样本数是个离散值，因此没有办法直接用于back propagation，而 就是对各个expert负载的一个平滑评估。
回想一下前面在设计MoE的时候，定义了 为KeepTopK函数的输入
那么这里先定义一个 ，表示在除去 中的第 个分量之后，排在第 大的值。基于这个，再定义 为：固定其他分量已经选取好的noise，重新给第 个分量再添加一次noise，结果比 大的概率，公式如下
通过这个noise，我们把“第 个专家是否处理这个输入”的离散值，变成“第 个专家处理这个输入的概率”这样一个平滑的估计， 就表示这个概率。这个概率可以简化写成
其中 是标准正态分布的CDF。
接下来就可以把第 个expert的负载定义为
有了每个expert的负载衡量，就可以和前面第一个负载均衡损失一样，计算新的负载均衡损失了
是手动设置的超参，实验的推荐值是0.1。
相比前面的 ， 是对负载是否均衡更细粒度的评估。
论文中提到一个细节，在刚开始训练的时候，希望模型分配的expert尽量均衡，因此把 和 都设为0，这样相当于没有信号，也没有噪音。
最终使用负载均衡之后的效果如下
使用这两个负载均衡损失之后，能达到接近完全平均分配的效果。
针对前面提出的一些工程问题，论文给出一些方案
（1）batch size减小
由于稀疏激活的原因，每个expert的batch size会变小。假设每次在n个expert中选择k个，模型训练的batch size为b，那么每个expert的batch size就是kb/n。论文通过以下这几种方法来提升每个expert的batch size：
（2）集群通讯问题
另一个挑战就是平衡集群计算量和通讯量的关系。
对于每个expert来说，主要的通讯就是input和output的传输。而每个专家的主要计算量就是两个全连接层，大小分别为[input_size, hidden_size]和[hidden_size, output_size]。对于GPU来说，计算速度可能是通讯速度的1000倍，那我们就需要把计算量设计得足够大。最简单的做法就是把hidden_size提高，使得每个expert的内部计算量比通讯量大1000倍，以保证通讯不会成为训练的瓶颈。
为了验证模型容量提升带来的收益，以及MoE模型的参数效率（即和dense模型同样推理计算量下能达到的效果），训练了包含4/32/256个expert的flat MoE模型，和包含256/1024/4096个expert的hierarchical MoE模型。每个expert大约是1M参数量，对于所有flat模型都是激活4个expert，而对于hierarchical MoE是每层gating激活2个。
效果如下图。左边的图显示，随着模型容量提升，测试的ppl有明显下降。右边的图将相近模型容量的dense模型和MoE模型的效果放在一起对比，可以看到MoE模型在相同模型容量下，效果更好
前面几个模型训练用的数据量不是很大，模型最大也只有4B左右，训练不久就出现diminishing returns。
为了验证更大数据集 + 更大模型的收益，在100B token的语料上，分别训了包含32, 256, 1024，4096, 16384, 65536, 和131072个expert的MoE模型，最大的模型达到了137B的参数量。
各个模型对比如下表。整体来看，增加数据和模型容量，是可以继续获得提升的。
从这里还可以看出，在专家数量不太多时，提升专家数量效果有提升，但是收益会慢慢减小，甚至会出现专家数量太多，效果反而下降的情况。
按照MoE的设计思路，不同的专家应该学习到不同的子任务，但是实际上是否是这样呢？
论文里把模型中不同的专家分配到token拿出看，发现确实有比较强的specialization效果，不同的专家处理不同的内容，如下所示
2018年，随着Bert的发布，transformer结构彻底火了起来。2020年6月，Google发布《GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding》，把MoE用到了encoder-decoder结构的transformer模型上。MoE开始变成我们现在熟悉的样子了。
GShard这个工作做了很多的实验，训了很多规模巨大的MoE模型，最大的达到了600B。训练的一系列模型的参数如下表
在expert数量的设计上，延续上面LSMT MoE工作的思路 -- expert越多，效果越好。（站在24年这个时间节点来看，太多的expert未必适合；但是也不能说这个思路一定错误，毕竟事物的发展是螺旋式的，就像ChatGPT出来之前大多数人都在魔改各种Bert，而GPT已经坐了几年冷板凳了。）
GShard论文中很大的篇幅在介绍工程实现和优化，这也是MoE模型训练最大的痛点。关于工程框架的内容比较硬核，因此这里不会展开讲太多，而是关注在模型算法层面上。
先来看下模型设计。
Google在那段时间走的是encoder-decoder transfomer的技术路线，因此GShard也是基于encoder-decoder transfomer的模型结构。
GShard的模型设计是，在encoder和decoder中，每两层把其中一个FFN层替换成MoE层。对于总共有N层的模型，则有N/2个MoE层，如下图
每层会选择最多top-2 expert来激活。为什么是最多，后面解释。
GShard在上面这篇LSTM MoE论文的基础上，改进了gating function和auxiliary loss function。
从公式来看，MoE层的具体计算如下
其中 是MoE的输入token， 和 分别是输入输出的线性变换矩阵。向量 就是gating function的输出。
GShard在gating function的设计上提出了两个要求：（1）负载均衡（2）高效扩展。
负载均衡和前面讲的一样，很好理解。而为什么要高效扩展，因为如果要对N个token分别进行E个expert的分配，在N能达到百万甚至千万级别，而E也有几百上千的情况下，就需要一个高效的分布式实现，以免其他计算资源等待gating function。
为了满足这些要求，gating function提出了以下机制
（1）专家容量 expert capacity
为了确保负载平衡，我们不希望有少量expert需要处理很多token，因此强制规定了每一个expert所负责处理的token数量有一个最大值，这个最大值就叫专家容量，在这里设置为2N/E，相当于平均分配的量。
这个expert capacity通过GATE(·)给每个expert维护一个计数器 来监控。如果一个token所选的两个专家当前处理量都已经超过设定的专家容量，那么这个token就不会被当前层的任何expert处理，而是直接通过残差链接透传到下一层。
（2）分组分配 Local group dispatching
给所有输入token分成了G组，不同的组并行处理，每个组相应地也把组内专家容量变成2N/EG。
这样做相当于在前向推理时，把大的batch拆分成小的batch，每个小的batch就是一个group。这样做的好处是通讯的时候（特别是all2all）只需要在每个group内进行就可以了，减少了通讯量。
而进行反向计算的时候这些group可以合起来一起用，相当于进行了gradient accumulation。
（3）辅助损失函数 Auxiliary loss
光设置专家容量并不能使得gating负载均衡，而且会导致大量溢出。参考前面LSTM MoE的工作，这里也定义了一个辅助损失函数，来帮助负载均衡。辅助损失函数设计如下
是token数， 是专家数， 是分配给第 个专家的token数， 是第 个expert在 个token中获得的平均权重。
思路是，本来是要算 的平方的，但这是离散值不可导，因此把平方中的一个 换成了 ， 是第 个expert在 个token中获得的平均权重。在平均分配的情况下，这个loss达到最小。
相比前面的负载均衡损失，这个loss的设计就简单许多。
gating的整个算法如下
（4）随机路由 Random routing
前面提到，每层会选择最多top-2 expert来激活，就是因为有随机路由的机制。直观来说，就是认为如果top-1专家的权重很高，而第二个专家的权重如果较小，那很有可能只用第一个专家就足够解决问题了。
随机路由的机制是top-1的专家永远会被激活，而第二个专家如果权重很小，就认为它可以被忽略。具体来说，会以与第二个专家的权重g2成比例的概率激活第二个专家。
最后看一下模型在翻译任务上的效果
2022年4月，距离ChatGPT发布还有半年，Google发布了《Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity》（实际上2021年Google就提出Switch Transformer了）。
Switch Transformer和GShard一样，是encoder-decoder结构，基于T5开发的，具有1.6T的参数，2048个expert。
和前面的很多工作一样，Switch Transformer有一个出发点，那就是参数量越大，模型效果越好，并且可以通过稀疏激活来减少总计算量。
但是相比其他工作，Switch Transformer给出了一个更为具体的描述，那就是模型参数量可以是一个独立于总计算量的，单独的缩放轴。也就是说，在改变参数量的同时，（几乎）不改变训练和推理的计算量，就可以带来效果的提升。因此Switch Transformer关注在“同样的FLOPS/token的计算量”下，如何扩大模型，提升效果。
Switch Transformer所做的工作还是比较多的，包括：
（1）模型结构简化：简化了Transformer上的MoE架构，提出Switch Transformer架构。
（2）MoE to dense：把训出来的效果较好的MoE模型蒸馏到dense模型，在压缩MoE模型99%的参数的情况下，效果还是比直接训练dense模型好。
（3）训练和微调技术：
（4）训练框架：结合数据、模型和专家并行性，训练了超过1T参数的MoE模型。
（5）多语言：在多语言数据集上训练，发现101种语言效果普遍有提升。
（6）训练效率：在同样的FLOPS/token的计算量下，Switch Transformer模型收敛速度有数倍的提升。
Switch Transformer的模型结构如下图，类似GShard，把transformer每层的FFN替换成MoE层
Switch Transformer一个重要的改进点就是简化了gating function的做法（Switch Transformer论文里叫routing）。
之前的工作大多探索了选择k个expert的做法，而Switch Transformer则直接把gating简化为只选择1个expert，即k=1。这样的MoE层叫做Switch layer。
这样简化之后，routing的实现更简单，router的计算量小了，也减少了通讯量。
同GShard一样，Switch Transformer规定了一个专家容量expert capacity，来限制每个expert在一个batch里能处理的最大token数。
如果一个token被分配到了一个已经满载的expert，就会出现overflow，那这个token在本层就不会被处理，而是直接通过残差链接，透传给下一层。这点也同GShard一样。
在Switch Transformer，专家容量通过容量系数capacity factor来控制。
一个大的capacity factor意味着每个expert能够处理更多的token，从而减少overflow情况的发生，但是计算量和通讯量的压力也会增大，所以这是一个需要权衡的参数。
下图给出了一个不同capacity factor下的例子
那么如何设定expert capacity呢？
如果capacity factor为1的话，只有在完全平均分配的时候，才不会出现overflow的情况。而太大的capacity factor则可能造成算力和存储的浪费。
首先，实验中发现expert的数量和overflow的数量之间没有什么关系，所以在所有实验中，所有MoE和Switch Transformer模型都用128个专家。
不同的capacity factor对模型影响如下表。可以看到，大的容量系数相对来说能取得更好的效果（因为更少的overflow），但是相应地，大容量系数的模型处理速度就会慢一些。
经验上，低的token丢弃率对模型的scaling很重要，想要训练超大规模的模型，就要解决这个问题。而通过负载均衡损失就可以确保良好的平衡，使得在使用较小容量系数的情况下，overflow尽量少，从而兼顾效果和计算速度。
关键问题来到负载均衡损失怎么设计。
给定 个expert，和包含 个token的batch ，负载均衡损失是这么计算的
表示被分配到第 个expert的token数，这个不可导
表示整个batch每个token分配给第 个expert的概率的总和，这个可导
这个损失的设计其实和GShard中的也是一样的。
在完美平均分配的情况下， 和 这两个向量都是 ，这个时候负载均衡损失是最小的。
扫描了1e-5到1e-1，发现设为1e-2，已经足够大保持负载平衡，同时不过分影响模型收敛。
观察到 ，所以负载均衡loss还乘了个 ，这样可以保持无论使用多少个expert，在平均分配的情况下，loss都能保持相同的常数。
（1）选择性地使用bf16
半精度训练会带来一些训练的不稳定。因此选择性地使用bf16，具体来说，routing function内部使用单精度，其他部分使用半精度，这样既不影响通讯，也能提高效果。
为什么选择在routing提高精度？因为softmax对误差特别敏感，exponential计算会极大放大输入中的rounding error，因此高精度对routing很重要。
（2）较小的参数初始化
从截断正态分布中抽取元素来初始化的模型参数，平均值 ，标准差，其中s是超参，n是权重张量中的输入单元数量（e.g. fan-in）。
论文建议将默认的Transformer初始化尺度s=1.0减少10倍。这个方案在实验中既提高了质量又降低了训练不稳定性的可能性。初始化实验对比如下表
（3）增大dropout
由于Switch Transformer参数量很大，在微调的时候更容易过拟合，因此一个简单的方法就是增大dropout，效果如下
可以看到大的dropout有效果，并且dense层保持0.1，只有expert层增大dropout效果更好。
对Switch Transformer结构预训练的scaling做了一些实验。
（1）Step-Basis
首先是验证在固定训练step的条件下，增大expert数量带来的提升，如下图所示。
左边是不同规模的模型在相同step下收敛的结果，可以看到在保持相同计算量的条件下，只通过增大专家数量来提升规模，就有明显的收益。右边则展示训练过程中，不同规模的模型在各个step下的效果。
（2）Time-Basis
虽然Switch Transformer可以保持计算量不变的情况下提升模型规模，但是专家数量的增多会带来额外的通讯成本，所以即使训练的step数相同，实际的训练时间也不同。因此这里要回答的问题是，给定一个固定的训练时长，Switch Transformer是否相比dense模型仍有收益。
答案是肯定的。下图展示以训练时长为横轴，Switch Transformer和dense模型的效果对比。Switch Transformer收敛到dense模型最终效果的时间只有dense模型的1/7。
（3）和更大的dense模型对比
前面Switch Transformer和dense模型的比较，是基于相同计算量的前提。那么Switch Transformer是否具备超越更大规模dense模型的能力？
下图在Step-Basis和Time-Basis对比了64个专家的Switch Transformer和T5-Large。无论是相同step还是相同时间下，Switch Transformer都有明显优势。
在GLUE和SuperGLUE等下游任务上微调，和dense模型对比。
对于各个模型，每两百步进行一次eval，选最好的效果，尽量保证公平。结果如下表，大部分任务都有明显的提升。
虽然Switch Transformer在相同计算量下效果更好，但是部署几百B甚至T级别的模型，还是不太方便，因此考虑把稀疏模型蒸馏到dense模型上来进行推理。
论文中给出了几个蒸馏的技巧：
预训练模型的蒸馏效果如下，相比无蒸馏训练的dense模型，把同样计算量的稀疏模型蒸馏到dense模型，dense模型大约能获得Switch Transformer提升部分30%的增益。
更进一步，用不同规模的稀疏模型下进行蒸馏，结果如下表，可以实现高达99%的压缩率
除了预训练模型，微调模型也可以蒸馏，效果如下，在SuperGLUE也有一定的提升
2021年12月Google发表了《GLaM: Efficient Scaling of Language Models with Mixture-of-Experts》，训练出最大参数量为1.2T，每层包含64个专家，每个token激活参数量为96.6B的MoE模型。
相比Switch Transformer，GLaM的训练数据量要大得多，达到了1.6T token。
下表是论文中给出的，当时一些大规模模型的对比
虽然模型总参数量比GPT-3（175B）大很多，但是训练成本却比GPT-3低很多，推理速度也更快，而且在多个NLP任务上的效果都超越了GPT-3，如下所示。
模型设计上，和Switch Transformer一样，每两层把一个FFN替换成MoE层。但是和Switch Transformer不同，GLaM用回了每次激活两个expert的方案，模型结构如下图。
除此之外，模型在结构上海做了一些其他改动：
（1）位置编码
使用XLNET的相对位置编码。
（2）激活函数
In the non-MoE Transformer feed-forward sub-layers, we replace the first linear projection and the activation function with the Gated Linear Unit，which computes the component-wise product of two linear transformation of the input, followed by a Gaussian Error Linear Unit.
训练中的一些trick：
（1）参考《Lingvo: a modular and scalable framework for sequence-to-sequence modeling》，在梯度出现NaN或者Inf的时候就跳过那一步更新。
（2）如果在BP更新的时候遇到NaN或者Inf，则重新加载更早的checkpoint并跳过有问题的数据来避免NaN或者Inf。
论文训了一系列模型来探索MoE，这些模型的设置如下表
GLaM和dense模型的评测结果如下
可以看到GLaM MoE的有效参数效率一致高于dense模型。
2022年2月，Google发表了《ST-MOE: DESIGNING STABLE AND TRANSFERABLE SPARSE EXPERT MODELS》。ST-MoE可以说不仅仅是一个MoE工作，对于模型结构、工程实现、训练策略等都做了很多分析，可以说是MoE的必读论文。
ST-MoE最大模型包含269B总参数量，和与32B dense模型相当的激活计算量。论文中把模型称为称为Stable Transferable Mixture-of-Experts，或者ST-MoE-32B。
在MoE层的使用上，ST-MoE比Switch Transformer更“节省”一点，每四层才替换1个MoE层。
论文中主要训了两个规模的ST-MoE模型，分别有4B和269B的总参数量。ST-MoE以及其他用于对比的模型参数如下表
论文通过对乘性操作、噪音和裁剪这几个内容进行探索，来指导模型的设计。
论文首先研究了乘性操作对模型的训练稳定性和最终效果的影响。
之前已经有一些工作表明更多的乘法对模型效果有收益。
Some architectural improvements involve more multiplications than additions or do not sum many items at once
（1）GELU Gated Linear Units (GEGLU)
第一个例子是关于激活函数的。GLU是一个对两个输入向量进行component-wise相乘的操作，之后被扩展成GELU-Linear FFN变体，用于替换transformer中的ReLU FFN变体，其计算如下
这样在一些其他工作里已经被证明了对模型效果有提升。
（2）RMSNorm
第二个例子是RMSNorm中的缩放参数，也就是下面公式的 。
ST-MoE针对GEGLU和RMSNorm这两个乘性操作，做了实验，结果如下表。
发现移除乘性操作可以使模型稳定性更好（训练中发散的情况减少），但是最终效果变差了。
（3）增加dense层
ST-MoE还验证了在expert层增加更多dense层的效果。结果发现增加更多的乘法交互（增加dense层），可以在带来效果收益的同时，基本不影响推理速度，如下表所示。
（4）增加一个bias
在FFN层的第一个矩阵乘法后面增加一个可学习的bias B，分别通过加法和乘法加入
乘法的收敛速度更快，效果也更好。
上面这些实验显示，后续在模型效果的探索方向可以往多使用乘性操作去考虑。
接下来ST-MoE探索了“噪音可以提升模型稳定性”的假设。
通过input-jitter，给router的输入logits乘以一个在[1e-2, 1e2]之间的均匀随机变量来添加噪音。
结果是增加noise之后，有助于让模型的收敛更加稳定，但是对模型最终效果有负面影响。
这里论文还提到，小模型上的结果不一定能直接推广到更大的模型上，比如在小模型上稳定的配置，在大模型就可能就不稳定了。因此还是需要在大模型上也进行充分实验。
对activation和gradient进行限制是目前广泛应用的提升模型训练稳定性的手段。在反向传播过程中，通过裁剪梯度的范数来缓解梯度爆炸，就是一种常用的限制手段。
但是在ST-MoE训练269B的大规模模型时，发现裁剪会使得模型收敛的效果很差。
为了解决这个问题，ST-MoE在训练中引入了router z-loss，形式如下。
是token的数量， 是专家数， 是router的输入。
z-loss会对进入router的较大的logits值进行惩罚，以达到尽量减少进入指数函数的较大误差的目的。什么意思呢？后面来解释，先看下使用z-loss的效果。
ST-MoE认为，在模型训练过程中，由于精度不足或者其他问题，会产生很大的值，从而引入误差。而对梯度进行裁剪是在误差发生之后，并且裁剪本身也造成了数据的不连续性，某种程度上，裁剪本身也是一种误差。相反地，z-loss自然地鼓励模型产生较小的对数值，因此可以更精确地建模。
z-loss乘以一个权重超参 加入到模型训练的总损失中，如下式所示。
ST-MoE经过实验，选择了。
是 auxiliary load balance loss负载均衡损失，ST-MoE这里使用了和GShard/Switch Transformer所用的相同的损失计算，这里回顾一下：
是专家数， 是包含 个token的batch。 表示被分配到第 个expert的token数，这个不可导； 表示整个batch每个token分配给第 个expert的概率的总和，这个可导。
目前大部分的大模型训练都使用混合精度训练：模型权重以float32格式存储以进行梯度更新，然后在正向和反向传播的矩阵乘法中转换为bfloat16；此外，所有激活值都以bfloat16存储和操作，而allreduce通信可以在bfloat16或float32数值精度中进行。
对于ST-MoE-32B的训练，allreduce的数值使用半精度可以加速训练，然而这也会使训练变得不稳定，因此ST-MoE保持allreduce的数值精度为float32。
bfloat16和float32在不同范围的舍入误差如下表所示
可以看到，表达的数值越大，舍入误差越大。而z-loss限制了数值大小，也就将误差值限制在比较小的范围。
MoE模型天生对舍入误差敏感，因为它们由于router的使用而有更多的指数函数，而指数函数会将小的输入误差放大很多，这就加剧舍入误差所导致的训练不稳定。
另外，ST-MoE有一个策略：只有当排第二的专家的权重大于等于第一的专家的1/5时，token才会被路由到其第二位专家，否则第二个专家就会被忽略。
因此虽然舍入误差不会改变softmax运算中各个概率的排序，但它确实会影响MoE中第二个专家的激活。
dense模型的设计有scaling law进行指导，但是MoE模型的设计比dense模型多出几个要考虑的点：
（1）使用多少个expert
（2）怎么routing
（3）专家容量系数怎么定
（4）硬件的影响
（这里提到MoE模型的scaling law工作：《Unified scaling laws for routed language models》，可以了解一下）
ST-MoE认为，从以往的经验来看，在总专家数量较少的情况下（如8/16/32），提升专家数量，能有收益。但是在特别稀疏的情况下（如激活专家数量<1%），或者总专家数较大（比如>256）之后，提升专家数量收益就很小了。
从另一个角度来看，如果一个计算核心使用>1个专家，那么就会出现比较大的加载参数张量的成本，因此建议每个计算核心使用<=1个专家。
论文做了一系列实验来探索capacity factor的选择，如下表所示
从这些实验中得到几个结论：
（1）训练和推理的capacity factor增大都会有收益
（2）如果硬件资源足够，推理的capacity facotr可以设得比训练的时候大，会有进一步提升
（3）激活的expert数量提升会有收益，但是收益随着capacity factor提升而越来越小
当然，选择capacity factor还要看硬件的特性，如果通讯很快，可以适当增大capacity factor，否则就不能选择太大的。
下表展示了不同capacity factor对推理速度的影响
ST-MoE-32B在下游任务上和以往最佳结果对比如下表，ST-MoE-32B刷新了超过一半任务的最佳效果
论文还对各个专家的专业化进行了追踪，发现decoder中几乎没有专业化的迹象，各种类型的token近乎随机分配给不同的专家。而在encoder中则表现出了高度专业化的特征，如下表
此外，还发现在多语言的模型的encoder中，专业化的情况并不想原先预想那样，按不同语言划分，而是每个专家都会处理一种语言的一部分token，如下表
2024年1月，幻方量化（旗下的深度求索）开源了DeepseekMoE，是国内首个开源的MoE大模型。幻方还发布了论文《DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models》，给出了一些DeepSeekMoE的细节内容，颇为实在了。
DeepSeekMoE在其他MoE工作的基础上，进一步给出了2个模型设计的主要思路：
（1）对expert的粒度进行细分，以提供更多样的expert激活组合；
（2）对expert的类型进行区分，从所有expert中保留一部分作为shared expert共享专家，这部分专家对所有输入都保持激活。
这样的做法可以帮助每个expert达到更高程度的专业化(specialization)的水平，更好地学习不同的专业知识。
DeepSeekMoE先在2B的较小MoE模型上进行了充分的实验，然后把方案应用到16B参数的MoE模型上，并获得了较好的效果。其中DeepSeekMoE-16B不需要量化就可以在40GB显存的设备上运行。
DeepSeekMoE-2B模型具有和稠密2B模型相当的性能，而DeepSeekMoE-16B则具有和7B稠密模型相当的性能，且计算量仅为稠密模型的40%。
DeepSeekMoE-16B的参数效率相比稠密模型有明显的优势，如下图所示
并且DeepSeekMoE-2B和16B模型都开源了。
在前面实验的基础上，幻方还训练了DeepSeekMoE-145B的超大MoE模型，具有和稠密的DeepSeek-67B模型相当的表现，但计算量更小。这个后续也有机会放出来。
MoE，mixture of expert，顾名思义，一个最初始的motivation就是让不同expert学习不同的内容，然后再混合起来。
比如最上面提到的1991年的工作里，就是让不同的expert学习不同的元音特征，以此提升特征提取的准确率。
但是当前大部分的MoE架构都会遇到“knowledge hybridity”和“knowledge redundancy”的问题，即知识的杂糅和冗余：
（1）知识冗余
有些基础的常识在不同的领域都需要用到，每个expert就都会学一点，这样这些常识就被多个expert重复学习了。
（2）知识杂糅
在expert数量不够多的情况下，一个expert就可能要负责学习多个领域的内容。以学习高中知识为例，在只有两个expert的时候，只能一个expert学习理科知识，另一个学习文科知识；当我们有8个expert的时候，不同expert就可以分别学习语文、英语、历史、地理、物理、生物、化学、数学知识。显然后者所学知识的专业化程度更高。
知识的杂糅和冗余阻碍了专家专业化(expert specialization)的程度，也就阻碍了模型达到MoE结构理论上限性能。
我们期望每个expert能够学习到non-overlap & foucusd knowledge的知识。
针对上面的问题，DeepSeekMoE的架构设计有2个主要策略：
（1）Fine-Grained Expert Segmentation
参数总量不变的情况下，将expert分成更细的粒度（每个expert更小）。这样可以带来更灵活的激活组合，让每个expert可以有更强的specialization。比如原本是16个expert选择激活2个，那么总的组合数是120种；如果把每个expert缩小为原来的1/4，那在总参数量和激活数量不变的情况下，是64个expert选择激活8个，那么总的排列组合数就是 ，排列组合数比原来多了很多。
（2）Shared Expert Isolation
把部分expert分离出来，保持永远激活。我们期望这部分专家能够学到在多个领域间都通用的common knowledge。这样的策略同样可以使得其他expert能够提高专业化的程度，并且减少不同expert间的知识冗余。还是以学习高中知识为例，数学、物理和化学都需要算术能力，如果让学这三个领域的expert都学习算术技能，就会有冗余；我们可以把通用算术的技能剥离出来，由一个助手专门负责算术任务，相当于给他们发了一个计算器，这样学习数学、物理和化学的expert就能把更多的精力放在专业知识上，也就能达到更好的专业化效果。
下图展示了在传统MoE结构上增加Fine-Grained Expert Segmentation和Shared Expert Isolation策略的设计
（expert isolation的思路最早可以追溯到2022年1月发表的《DeepSpeed-MoE: Advancing Mixture-of-Experts Inference and Training to Power Next-Generation AI Scale》，这里就不展开了。）
假设传统的MoE模型每层的expert数量为 ，激活expert数为 ，DeepSeekMoE使用的细粒度expert大小为原来的 ，那DeepSeekMoE每层就有 个expert，激活的expert数量为 个。假设 为输入长度， 为模型层数， 表示第 个expert，DeepSeekMoE可以公式化为以下表示（忽略了layernorm）
如之前工作反复提及的，如果任由MoE模型自主学习gating，可能会遇到两个问题
（1）routing collapse：专家分配的不均衡，也就是gating倾向于总是选择特定的少量expert，并且这种情况还会自我增强。
（2）计算效率问题：多设备间，不平衡的负载可能会成为计算效率的瓶颈。
针对routing collapse的问题，DeepSeekMoE引入一个expert-level balance loss，如下所示
叫做expert-level balance factor，是人工设定的超参。
而 和 和Switch Transformer里的设定基本一样。
在Switch Transformer里， 表示分配到第 个expert的token数量。在DeepSeekMoE这里也是一样的含义，只是多乘了一个系数 ，其中 ，， 是划分出来的共享expert的数量。这个系数是个常数，可以拿到求和符号外面，这样DeepSeekMoE里的 就和Switch Transformer里的完全一样了。
这个系数可以使得在使用不同的数量的expert时，在完美平均分配的情况下，负载均衡loss都是相同的常数。
表示所有每个token分配给第 个expert的权重的总和，和Switch Transformer里的含义一样。
注意这里 是不可导的， 是可导的。
针对多设备间负载均衡的问题，DeepSeekMoE引入一个device-level balance loss，如下所示
叫做device-level balance factor，是人工设定的超参。
指第 个设备。
device-level balance loss形式上和expert-level balance loss一样，只是 和 对应的对象从单个expert变成单个设备了。
当我们的目标是缓解计算瓶颈时，我们不需要强制执行expert间的均匀分配，而只需确保设备之间计算量的平衡。比如我们每层有64个expert，均匀分布在8个设备上，我们只需要每个设备处理的token数平衡即可，在设备内部即使所有token都是同一个expert处理的，依然能满足设备间负载平衡的要求。
相比expert间严格的负载平衡，只要求设备间的平衡是更松的限制条件，这样缓解了因为过度的负载平衡而损害模型性能的问题。
为了验证以上策略的有效性，先拿100B token的语料数据在DeepSeekMoE-2B模型做实验。词表也是通过BPE在语料上训练的8k词表，后面训练更大规模模型的时候再扩大词表。
DeepSeekMoE-2B模型参数初始化方差为0.006，使用multi-head attention，前向激活参数量约0.3B，具体参数如下表
relative expert size指的是DeepSeekMoE所用的细粒度expert的大小和正常FFN层大小的比值。
训练的具体参数设置如下
| 属性 | 数值 |
|---|---|
| optimizer | AdamW |
| adam_beta_1 | 0.9 |
| adam_beta_2 | 0.95 |
| adam_weight_decay | 0.1 |
| warmup schedule | linear |
| warmup step | 2000 |
| max lr | 1.08e-3 |
| dropout | 0 |
| sequence length | 2k |
| batch size | 2k |
| total step | 25,000 |
其他训练细节：
使用相同的100B训练数据，训了deepseek moe 2b，在包含语言模型和下游任务的benchmark上和其他4个模型做对比：dense，hash layer（也是一种moe，《Hash layers for large sparse models》），switch transformer，gshard
可以得到几个结论：
为了进一步探索DeepSeekMoE架构带来的收益，提升了dense模型和GShard模型的激活参数，直到效果和DeepSeekMoE-2B差不多。
结果dense模型和GShard模型需要分别扩大到16倍和1.5倍的参数量，才能达到DeepSeekMoE-2B相近的效果，如下表所示
DeepSeekMoE的优势在更大规模的情况下，依然成立。训了DeepSeekMoE-13B, 对比参数量提升至1.2和1.5倍的GShard，DeepSeekMoE-13B依然能match，具体如下表
针对DeepSeekMoE架构的两个主要设计，shared expert和fine-grained expert进行消融实验。使用不同数量的共享专家和不同粒度的expert进行效果对比，结果如下图。
（1）对比蓝色和橙色，可以看到增加共享专家带来了收益
（2）绿色和红色在橙色的基础上进一步把专家颗粒分得更细，效果进一步提升
（3）共享专家和路由专家的比例：在总共64个expert的情况下，对比了1/2/4个共享专家的情况，结果并没有显著差别，在pile上的loss分别是1.808,1.806,1.811。最终选择了共享专家和激活路由专家1:3（2+6）的比例。
通过实验来验证DeepSeekMoE中expert specialization的优化。
（1）前面实验看到DeepSeekMoE-2B和1.5倍参数量的GShard模型效果相当。在这个基础上，通过禁用不同数量的top专家，而只能从次优的专家中选择进行回答。
实验结果如下
发现deepseek moe损失更大，说明每个专家的专门化程度更好，必要性更高，这说明deepseek的专家专门化程度更高。
（2）另外，通过禁用deepseek moe的共享专家，而额外激活一个专家，发现loss也大大提升。这个结果突出了共享专家的关键功能，并表明共享专家捕捉到了与路由专家不共享的基本且重要的知识，使得它无法被路由专家替代。
（3）只激活更少专家，也能和gshard达到相同水平，这一观察结果支持了DeepSeekMoE可以更准确和高效地获取所需知识的观点。
此外还从零训了一个只用1个共享专家和3个激活专家的2b模型（正常是2个共享专家+6个激活专家），也比gshard好，说明deepseek moe的有效参数效率更高
DeepSeekMoE-16B模型使用了2T数据训练（和LLAMA2-7B对齐）训练，并使用了100k的词表。其他参数如下表所示
论文中提到，除了第一层以外，其他层都使用了MoE层。
第一层不使用MoE是因为观察到第一层的负载均衡loss在训练中收敛得特别慢。
DeepSeekMoE-16B每层有64个专家，其中有2个作为共享专家保持永远激活，加上6个通过gating function选择激活的，每个token共使用8个专家。每个token会激活16.4B中的2.8B参数。
这里没有把专家的dimension再减小，是因为如果专家太小，计算效率就下降得太厉害。
训练中使用的其他设置：
expert level balance loss的系数设得比较小，0.001，因为实验中发现设得再大并不能进一步优化负载平衡，反而会损害模型效果。
DeepSeekMoE-16B和DeepSeek-7B模型的对比如下
DeepSeekMoE-16B和LLAMA2-7B模型的对比如下
幻方还用245B的token训练了DeepSeekMoE-145B，模型效果上达到DeepSeek-67B的同等水平
2024年3月27日，Databricks开源了DBRX，一个拥有有132B参数，激活参数为36B的MoE模型。
结构上，DBRX使用了RoPE、GLU、GQA，采用了fine-grained expert的设计，每层有16个专家，每个token激活其中4个。相比Mixtral和Grok-1在8个专家中激活2个，DBRX有更多的专家组合方式。
DBRX训练的上下文长度为32k，并使用了12T文本和代码token进行训练。DBRX在3072个H100上完成预训练，加上post-training、效果评估、red-team优化，整个过程耗费3个月时间。
DBRX整体效果超过GPT-3.5，与Gemini 1.0 Pro相当，并且具有比较强的代码能力，甚至超过了在代码上专门优化过的模型，如CodeLLaMA-70B，如下图所示。
推理效率效率上，DBRX也领先于其他模型。
2024年3月28日，阿里放出了Qwen1.5-MoE-A2.7B，以2.7B的模型参数，达到了Qwen1.5-7B模型的相近效果。
Qwen1.5-MoE-A2.7B参考了DeepSeekMoE和DBRX的工作，采用了fine-grained expert的做法，总共有64个专家，每个token激活8个专家，其中有4个为共享专家。
Qwen1.5-MoE-A2.7B使用Qwen-1.8B进行初始化，并在初始化阶段引入随机性，这样可以显著加快收敛速度，并得到更好的收敛结果。
Qwen1.5-MoE-A2.7B和其他模型效果对比如下
虽然Qwen1.5-MoE-A2.7B总参数量较大，但激活的non-embedding参数量远小于7B模型，如下表所示
实践中，Qwen1.5-MoE-A2.7B相比于Qwen1.5-7B，训练成本降低了75%。
推理性能上，在A100-80G用vLLM部署Qwen1.5-7B和Qwen1.5-MoE-A2.7B模型进行了性能测试。
输入/输出token数都设置为1000，输出token数设置为1000，TPS和throughput如下
虽然MoE模型对内存需求更大，但是由于稀疏激活以及共享专家的设计，但是在速度和吞吐量上都比dense模型更好。Qwen1.5-MoE-A2.7B与Qwen1.5-7B相比，速度提高了约1.74倍。
2023年12月11日，Mistral AI开源Mistral-8x7B，每个token激活8个专家中的2个。
Mistral-8x7B支持32k推理窗口和多语言，并且代码能力较好。和LLAM2-70B以及GPT-3.5的对比如下。
Mistral-8x7B在大多数任务表现优于LLAM2-70B，且推理速度提高了6倍。
而和激活参数量相近的LLAM2-13B比，优势更为明显
2024年4月17日，Mistral AI开源Mistral-8x22B模型，一个总参数为141B，激活参数为39B的超大MoE模型。
Mistral-8x22B支持多语言，并且具有较强的数学和代码能力。此外，推理窗口长度也从Mistral-8x7B的32k增加到64k。Mistral-8x22B还具备function call的能力。
在各个维度的评测结果如下
53AI，企业落地应用大模型首选服务商
产品：大模型应用平台+智能体定制开发+落地咨询服务
承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2024-05-28
2024-04-26
2024-08-13
2024-08-21
2024-07-09
2024-06-13
2024-08-04
2024-04-11
2024-07-18
2024-07-01
回到顶部