ConMoE：将MoE专家压缩解耦为专家池构建与负载分配
热点事件持续更新
ConMoE：将MoE专家压缩解耦为专家池构建与负载分配
1 篇报道1 个报道来源11 小时前更新
先了解这件事
AI 综述
Yilun Yao 等论文作者发布 ConMoE 方法，将稀疏 MoE 专家压缩形式化为两个决策：构建专家池，以及把原专家的工作负载分配到该池；池固定后通过路由条件功能目标优化分配。该方法使用无标注校准输入，路由器和专家权重保持冻结。 作者称，在任务特定校准设置下，跨三种 MoE 架构和六个零样本基准，50% 和 75% 专家保留率下均取得比较方法中最高的宏平均；在 50% 保留率下，生成负载的峰值 GPU 显存较未压缩模型降低 29.6% 至 48.4%。以上结果基于论文摘要，尚未经独立验证。
AI 根据报道生成 · 1 小时前更新
最新进展10月14日 12:00
ConMoE：将稀疏MoE压缩建模为专家选择与功能分配报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv · cs.AIConMoE：将稀疏MoE压缩建模为专家选择与功能分配
ConMoE将稀疏混合专家（MoE）模型压缩形式化为专家池构建和原专家工作负载分配两个决策，固定专家池后通过路由条件功能目标优化分配。作者称，在三种MoE架构和六个零样本基准上，使用任务特定校准输入时，50%和75%专家保留率下均取得比较方法中最高的宏平均；在50%保留率下，生成负载的峰值GPU显存较未压缩模型降低29.6%至48.4%。该结果基于论文摘要，路由器和专家权重保持冻结。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。