这项由新加坡科学手艺研究局高性能盘算研究院联合上海工程手艺大学开展的研究
，，，，，于2026年5月30日以预印本形式宣布
，，，，，论文编号为arXiv:2606.00761
，，，，，感兴趣的读者可通过该编号查阅完整论文。。。。。 现代AI大模子
，，，，，尤其是那些用往返覆问题、写文章、帮你处置惩罚种种使命的语言模子
，，，，，内部结构远比人们想象的重大。。。。。为了让这些模子既智慧又不至于耗尽所有盘算资源
，，，，，工程师们发明了一种叫做"专家混淆"（Mixture-of-Experts
，，，，，简称MoE）的架构。。。。。你可以把它明确成一个超大型公司
，，，，，内里有几十甚至几百个专业部分——每当一个问题进来
，，，，，公司前台（路由器）会判断这个问题该交给哪几个部分来处置惩罚
，，，，，其他部分则继续休息
，，，，，不加入本次使命。。。。。这样一来
，，，，，整个公司的人数虽然重大
，，，，，但每次真正出动的员工却很少
，，，，，效率大幅提升。。。。。 在这套架构里
，，，，，每个专业部分（专家）处置惩罚问题的方法
，，，，，很洪流平上取决于一个叫做"SwiGLU"的激活机制。。。。。这个机制实质上是一个"开关"——它决议每条信息通路是被放大、被压制
，，，，，照旧被保存。。。。。然而恒久以来
，，，，，这个开关的"迅速度"是牢靠的
，，，，，无论使命轻重、信息几多
，，，，，它始终以统一个标准运作。。。。。这篇论文的焦点孝顺
，，，，，就是给这个开关加装了一个"调光旋钮"
，，，，，让它能凭证目今使命简直定水平
，，，，，自动调解自己的迅速度。。。。。研究团队将这个刷新计划命名为κ-SwiGLU（读作"卡帕-SwiGLU"）。。。。。 首先是SwiGLU的事情原理。。。。。每当一个词或一段信息进入模子的某个专家时
，，，，，这个专家内部会有许多并行的"信息通道"。。。。。SwiGLU的作用是对每条通道加一个"门控"——这个门控会凭证输入信号的巨细
，，，，，决议这条通道的信号是被放大传出
，，，，，照旧被压制归零。。。。。详细来说
，，，，，它用的是一种叫做SiLU的函数：当输入信号很强时
，，，，，门会开得很大
，，，，，信号险些所有通过；；；；当输入信号靠近零时
，，，，，门会险些关闭；；；；当输入信号为负时
，，，，，门会完全关闭
，，，，，信号被屏障掉。。。。。这个机制让模子能够选择性地激活对目今使命有用的特征
，，，，，同时抑制无关信息。。。。。 然后是"路由确信度"的看法。。。。。在MoE架构中
，，，，，前台（路由器）是通过盘算每个问题向量与每个专家"特征向量"之间的相似水平来决议分派计划的——相似水平越高
，，，，，说明这个专家越适合处置惩罚这个问题
，，，，，分派给它的"确信度"也越高。。。。。这个相似水平对应一个详细的数值
，，，，，称为路由逻辑值（router logit）。。。。。数值越大
，，，，，说明路由器越确信这个问题该由这个专家处置惩罚。。。。。 这里有一个要害的物理意义：在高维空间里
，，，，，被路由到统一个专家的所有问题
，，，，，其向量偏向都与该专家的特征向量偏向有一定的重叠。。。。。重叠越大
，，，，，说明这个问题与该专家的"专业领域"越契合
，，，，，也就是说路由器对这次分派越有掌握。。。。。研究职员在实验中验证了这一点——在一个8层MoE模子的第7层
，，，，，被路由到某个专家的所有问题向量与该专家特征向量的余弦相似度
，，，，，稳固在0.075到0.25之间
，，，，，均值约为0.15。。。。。这个数字在512维空间里意义重大
，，，，，由于关于随机漫衍的单位向量来说
，，，，，知足这一相似度条件的向量在整个空间中占比仅约0.03%——这说明被路由的问题并非随机落入
，，，，，而是真的群集在专家特征偏向周围。。。。。 研究团队在深入剖析MoE的训练历程时
，，，，，发明了一个此前从未被系统研究过的征象——专家内部的门控投影偏向
，，，，，会在训练历程中自动向路由器的特征偏向靠拢
，，，，，或者朝完全相反的偏向偏移。。。。。 用公司的比喻来说：前台（路由器）判断某个问题是否该交给某个部分
，，，，，用的是一套打分标准；；；；而这个部分内部处置惩罚问题时的"筛选机制"（门控投影）
，，，，，在训练历程中会悄悄把自己的筛选标准调解得和前台的打分标准越来越相似
，，，，，或者越来越相反。。。。。这种征象意味着什么？？
？ 意味着当一个问题被高确信度地分派给某个专家时
，，，，，这个问题的向量与路由器偏向高度重叠
，，，，，而专家的门控投影向量也与路由器偏向高度对齐（或反向对齐）
，，，，，因此门控信号的输入值会被系统性地放大（或压制）。。。。。；；；痪浠八
，，，，，路由器简直信度崎岖
，，，，，会通过这种"隐性偏移"效应
，，，，，自动影响专家内部的门控强弱——高确信度的问题会落在门控曲线的更活跃区域
，，，，，低确信度的问题则可能落在更不活跃的区域。。。。。 研究职员在7个自力训练的8层MoE模子上系统丈量了这种对齐征象。。。。。效果显示
，，，，，在训练刚最先的几百步内
，，，，，门控投影就迅速与路由器偏向形成了0.2到0.4的余弦相似度峰值。。。。。只管这种对齐强度随着训练推进而有所衰减
，，，，，但始终维持在非零水平。。。。。更有趣的是
，，，，，差别层的对齐偏向会有所差别——例如第4层在训练初期呈正向对齐
，，，，，但厥后转变为一致的负向对齐；；；；而第7层则在大部分训练时间内坚持正向对齐。。。。。这批注路由器与门控之间的耦合是一种普遍保存的征象
，，，，，但其详细体现形式因层而异。。。。。 研究职员还进一步量化了这种隐性偏移对门控输入的现实影响。。。。。通过剖析门控投影向量的平行分量和笔直分量
，，，，，可以盘算出由路由器偏向引起的系统性偏移量。。。。。在两个代表性层上
，，，，，所有专家中排名前5%和后5%的偏移量
，，，，，划分在整个训练历程中稳固维持正值和负值
，，，，，说明这种双向的、非对称的门控偏移是真实保存且一连爆发的。。。。。 发明了这种隐性耦合之后
，，，，，研究团队提出了一个自然而然的想法：既然路由器简直信度已经在悄悄影响门控行为了
，，，，，为什么不把这种影响做得更显式、更可控、更无邪呢？？
？ 标准SiLU函数的形状是牢靠的
，，，，，它的过渡区域宽度（即从"关闭"到"开启"所需要的输入转变规模）是稳固的。。。。。研究职员给这个形状引入了一个控制参数κ——当κ大于1时
，，，，，过渡区域变窄
，，，，，门控变得越发"非此即彼"
，，，，，像一个精准的开关
，，，，，小幅度的输入转变就能导致门控状态的强烈切换；；；；当κ小于1时
，，，，，过渡区域变宽
，，，，，门控变得越发"平滑宽容"
，，，，，能对更普遍的输入规模做出响应。。。。。标准SiLU对应的是κ=1的特殊情形。。。。。 κ-SwiGLU的焦点思绪
，，，，，就是让每个专家的每个门控单位
，，，，，凭证目今问题的路由确信度动态盘算自己的κ值。。。。。详细公式为：κ值通过一个关于路由逻辑值的线性变换后再做有界映射来获得。。。。。线性变换包括两个可学习的标量参数：α（缩放系数）和b（偏置项）。。。。。线性变换的输出会经由一个`U^tanh(z)`的有界映射
，，，，，其中U是一个超参数
，，，，，设置为3——这意味着κ的取值规模被严酷限制在(1/3, 3)之间
，，，，，避免极端的κ值破损训练稳固性。。。。。当α和b都为0时
，，，，，κ=1
，，，，，κ-SwiGLU退化为标准SwiGLU
，，，，，包管了向后兼容性。。。。。 值得注重的是
，，，，，κ-SwiGLU对标准SwiGLU的修改只爆发在"门控"部分
，，，，，而不影响信息通路部分。。。。。整个盘算历程中
，，，，，路由逻辑值在前向撒播中本就是现成可用的
，，，，，盘算κ只需要几个元素级的运算
，，，，，不涉及任何特另外矩阵乘法。。。。。 从直觉上明确
，，，，，这个机制允许每个专家凭证"这个问题我有多确定"来调解自己处置惩罚信息的方法。。。。。当路由器很是确信这个问题适合这个专家时（高确信度）
，，，，，专家可以学会用更尖锐的门控来精准筛选特征；；；；当路由器只是委屈把问题分派给这个专家时（低确信度）
，，，，，专家可以学会用更宽容的门控来保存更多信息。。。。。虽然
，，，，，详细是哪种战略更好
，，，，，是由训练数据决议的
，，，，，差别的专家可以学到差别的战略。。。。。 首先是"冷启动"战略：α和b在训练的前1/10时间内被冻结在0
，，，，，此时κ-SwiGLU完全等同于标准SwiGLU
，，，，，让模子先建设稳固的路由行为和专家体现
，，，，，再引入动态门控。。。。。这就好比新员工入职先视察公司运作
，，，，，摸清情形后再最先提出刷新建议
，，，，，而不是第一天就大刀阔斧地改变流程。。。。。 其次是L2正则化：对α和b施加处分
，，，，，避免它们无限增大
，，，，，也就是避免门控偏离标准SiLU太远。。。。。正则化系数划分设为λα=0.02和λb=0.01。。。。。经由调试
，，，，，这组参数在抑制过拟合的同时
，，，，，还保存了足够的学习无邪性。。。。。 在学习率方面
，，，，，κ-SwiGLU的专属学习率计划是线性预热到0.12
，，，，，再线性衰减到0.06。。。。。与主模子参数的优化器差别
，，，，，α和b使用AdamW优化器单独治理
，，，，，学习率0.3。。。。。 研究团队在一个叫做FineWeb-Edu的教育内容数据集上训练了一系列MoE语言模子
，，，，，笼罩了从8层到28层的多种设置
，，，，，使用4块H200 GPU完成训练。。。。。为了在有限显存内实验更多设置
，，，，，团队接纳了两种架构战略：标准MoE（8到14层
，，，，，其中6到10层为MoE层）和"三明治"MoE（16到28层
，，，，，但MoE层只有中心的2层
，，，，，其余全是通俗全毗连层）。。。。。 所有8种设置中
，，，，，最小的MoE-8L模子有约2700个参数（总量）
，，，，，但每次处置惩罚一个词只激活约269个参数
，，，，，训练了27亿个词；；；；最大的Sandwich-28L模子总参数约3300个
，，，，，每次激活约849个
，，，，，训练了142亿个词。。。。。每种设置都对标准SwiGLU和κ-SwiGLU各训练3个自力运行（随机种子24、26、28）
，，，，，报告均值和标准差。。。。。 评估指标使用了一套叫做CORE的基准测试
，，，，，包括22个涵盖知识推理、知识问答和语言建模等偏向的数据集
，，，，，汇总成一个"中心化CORE分数"——这个分数会减去随机推测基线
，，，，，因此能更准确地反应模子的真实能力增添。。。。。 效果相当清晰。。。。。在4种标准MoE设置上
，，，，，κ-SwiGLU的CORE分数均高于标准SwiGLU：MoE-8L从13.5提升到14.5（提升1.0个百分点）
，，，，，MoE-10L从17.5提升到18.3（提升0.9）
，，，，，MoE-12L从20.1提升到20.8（提升0.7）
，，，，，MoE-14L从23.3提升到23.9（提升0.6）。。。。。浅层模子的改善幅度略大
，，，，，研究团队推测缘故原由是浅层模子使用了更大的专家池（最多64个专家）
，，，，，MoE特征更突出
，，，，，因此动态门控的收益更显着；；；；而深层标准MoE为了节约显存被迫镌汰专家数目到16个
，，，，，MoE的希罕性削弱。。。。。 在4种三明治MoE设置上
，，，，，除了最浅的Sandwich-16L略有下降（从14.3降到14.1
，，，，，差别在误差规模内）之外
，，，，，其余三种均有提升：Sandwich-20L从18.1提升到18.5（+0.5）
，，，，，Sandwich-24L从19.7提升到20.3（+0.6）
，，，，，Sandwich-28L从21.3提升到21.9（+0.6）。。。。。即便整个模子只有两个MoE层
，，，，，动态门控的效果依然稳固保存。。。。。 研究团队特殊指出
，，，，，单看每个设置的改善幅度
，，，，，与运行间的随机波动相比并不总是显著
，，，，，但8个设置中7个一致向好
，，，，，这种跨设置的一致性自己就是强有力的信号——改善不是偶发的噪声
，，，，，而是要领自己带来的系统性收益。。。。。 为了明确κ-SwiGLU改善的泉源
，，，，，研究团队做了消融实验
，，，，，把κ参数分成两部分单独测试。。。。。第一种变体（κ-SwiGLU-α）去掉了与路由逻辑值相关的缩放项
，，，，，只保存偏置项b；；；；第二种变体（κ-SwiGLU-b）去掉了偏置项b
，，，，，只保存缩放项α·s(x)；；；；第三种是完整的κ-SwiGLU。。。。。 在MoE-8L和MoE-10L上的效果很是清晰：去掉与路由确信度直接相关的缩放项α·s(x)
，，，，，性能与标准SwiGLU相差无几甚至略差（MoE-8L：13.4 vs 13.5基线）；；；；而去掉偏置项b
，，，，，性能依然靠近完整版（MoE-8L：13.9 vs 14.5完整版
，，，，，MoE-10L：18.5 vs 18.3
，，，，，在误差规模内基本持平）。。。。。这说明路由确信度驱动的动态缩放才是焦点收益泉源
，，，，，而偏置项提供的是特另外无邪性调理
，，，，，没有前者主要。。。。。 任何新要领都有盘算价钱
，，，，，κ-SwiGLU也不破例。。。。。研究团队在最大的MoE-14L模子上举行了详细的开销丈量。。。。。效果是：特殊引入的激活参数仅增添0.02%
，，，，，可以完全忽略不计。。。。。训练吞吐量（每秒处置惩罚词数）从153,200降至142,500
，，，，，下降约7%；；；；推理吞吐量从24,600降至23,729
，，，，，下降约3.5%。。。。。这些开销完全来自盘算κ所需的少量特殊元素级运算。。。。。研究团队体现
，，，，，通过进一步的底层算子优化
，，，，，这些开销尚有望降至可忽略的水平。。。。。 研究团队还深入剖析了κ值在训练历程中的动态转变
，，，，，在12层MoE的第9层举行了详细追踪。。。。。效果泛起出一个有趣的"先分解
，，，，，再收敛"的模式。。。。。 在训练前1/10时间内
，，，，，κ被冻结在1
，，，，，门控行为与标准SwiGLU完全相同。。。。。解冻之后
，，，，，κ值迅速分解：排名前5%的门控单位的κ值急剧攀升到约2.5
，，，，，而排名后5%的门控单位的κ值急剧下滑到约0.4。。。。。这意味着一部分门控变得极其尖锐
，，，，，另一部分则变得极其宽容。。。。。随着训练继续推进
，，，，，两组κ值都缓慢向1靠拢
，，，，，但在训练竣事时仍显着偏离1——约莫划分维持在1.2-1.5和0.6-0.8的规模。。。。。 这种"先大幅探索
，，，，，再适度收敛"的模式
，，，，，说明模子并没有走向极端
，，，，，也没有退化为匀称的调解；；；；而是在充分探索了门控弹性空间之后
，，，，，学到了一个一连有用的适度调制战略。。。。。与此同时
，，，，，对α和b参数的追踪显示
，，，，，α的孝顺远大于b——在训练中期
，，，，，以典范路由逻辑值2.5为例
，，，，，α·s(x)项对最终κ的孝顺约是b项的1.675倍
，，，，，进一步验证了消融实验的结论。。。。。 这项研究自己也坦诚地指出了若干局限性。。。。。所有实验都在相对小规模的MoE模子上举行
，，，，，最大的模子与目今前沿的商业MoE系统（如GPT-4、DeepSeek等）相比仍有相当大的规模差别。。。。。在更大的参数目、更长的训练时间和更大规模的预训练数据上
，，，，，是否能视察到同样的改善趋势
，，，，，尚待验证。。。。。 评估维度也相对集中
，，，，，主要依赖CORE这套预训练基准。。。。。在指令追随、长文本处置惩罚、推理麋集使命等更贴近现实使用的场景下
，，，，，动态门控的效果还需要进一步探索。。。。。别的
，，，，，目今的κ参数化计划使用的是路由逻辑值的简朴线性变换；；；；是否保存更好的置信度信号泉源、更合适的变换形式、更优的初始化和正则化战略
，，，，，都是值得后续研究的偏向。。。。。未来的事情也可以思量将这一思绪推广到语言模子以外的其他MoE应用场景。。。。。 说究竟
，，，，，κ-SwiGLU做的事情
，，，，，用一句话归纳综合就是：让专家在接到自己最善于的使命时
，，，，，把筛选标准调得更严酷、更精准；；；；在接到稍显生疏的使命时
，，，，，则放宽标准、多保存一些可能有用的信息。。。。。这个机制的盘算价钱微乎其微
，，，，，却在跨越多种模子架构和模子深度的实验中
，，，，，一次又一次地带来了稳固的性能提升。。。。。 关于想要在现有MoE模子上举行低本钱刷新的研究者和工程师来说
，，，，，这个偏向值得认真考量。。。。。而关于通俗用户来说
，，，，，这项研究意味着未来的AI助手在处置惩罚它"更善于"的问题时
，，，，，可能会给出更精准、更聚焦的回覆
，，，，，而不是如出一辙地用同样的处置惩罚方法看待所有问题。。。。。 A：通俗SwiGLU的门控迅速度是牢靠的
，，，，，无论什么问题进来都用统一套标准筛选信息。。。。。κ-SwiGLU则凭证路由器对"目今问题交给这个专家处置惩罚"这件事简直信水平
，，，，，动态调解门控的迅速度——确信度高时门控更尖锐
，，，，，确信度低时门控更宽容。。。。。这两个参数每个专家自力学习
，，，，，整体新增参数目不到原来的0.02%。。。。。 A：在MoE模子训练历程中
，，，，，研究职员发明专家内部的门控投影向量会自动向路由器的特征向量偏向对齐或反向对齐。。。。。这导致路由确信度高的问题在专家内部会获得系统性的门控偏移
，，，，，相当于路由器和专家之间保存一条隐藏的"信息通道"。。。。。这个征象之前从未被系统研究过
，，，，，正是这一发明引发了κ-SwiGLU的设计思绪。。。。。 A：若是一最先就让κ参数自由转变
，，，，，模子的路由行为和专家体现还不稳固
，，，，，动态门控可能会引入杂乱。。。。。研究团队将α和b在训练前10%的办法内冻结为0
，，，，，此时κ=1
，，，，，模子与标准SwiGLU完全相同
，，，，，先让路由和专家体现趋于稳固。。。。。之后再解冻κ参数
，，，，，让门控在稳固的基础上逐步学习动态调解战略
，，，，，从而包管训练稳固性。。。。。