Разреженная MoE-архитектура: как модель активирует только часть экспертов

Разреженная архитектура Mixture of Experts (MoE) — способ построить модель с триллионами параметров, но считать на каждом токене лишь малую их долю. Именно на этом принципе построена Kimi K3 — она активирует всего 16 из 896 экспертов на токен. Согласно официальному техноблогу Moonshot AI, такой подход, названный Stable LatentMoE, позволяет держать в модели 2,8 трлн параметров, реально задействуя на каждом шаге лишь около 50 млрд.

Разберём, как устроена MoE-архитектура изнутри: что такое эксперты, как работает маршрутизатор, зачем нужна разреженная активация и как её довели до предела в Stable LatentMoE.

Что такое MoE и чем эксперт отличается от отдельного ИИ

MoE-архитектура (Mixture of Experts, «смесь экспертов») — разновидность архитектуры нейронной сети, чаще всего трансформера, в которой стандартный полносвязный слой заменён набором параллельных подсетей. Вместо одной большой feed-forward сети (FFN) внутри каждого блока трансформера MoE-архитектура использует несколько таких FFN-подсетей одновременно — их и называют экспертами, — а также управляющую сеть-маршрутизатор (router, или gating network), которая решает, каким экспертам отдать обработку каждого токена.

Из чего складывается разреженная MoE-архитектура:

• набор экспертов — параллельных FFN-подсетей внутри блока трансформера;
• router (gating network) — сеть, оценивающая релевантность каждого эксперта для конкретного токена;
• top-k отбор — механизм, ограничивающий число активных экспертов на токен небольшим подмножеством;
• функция агрегации — взвешенное суммирование выходов выбранных экспертов в итоговое представление токена.

«Эксперт» — это не отдельная нейросеть-специалист по теме. Название вводит в заблуждение: эксперт в MoE-архитектуре — не аналог отдельного ИИ, «знающего» математику или право. Это часть параметров модели, чья специализация формируется в процессе обучения на уровне вычислительных паттернов — определённых типов синтаксиса, структур предложений, языковых конструкций, — а не человеко-понятных доменов знаний. Разделение труда между экспертами возникает статистически, а не задаётся заранее разработчиками.

MoE — это архитектурный выбор, а не отдельный тип модели. Смесь экспертов встраивается в тот же трансформер, что лежит в основе большинства современных LLM, заменяя лишь часть слоёв. Снаружи MoE-модель ведёт себя как обычная языковая модель — разница проявляется только в том, как внутри распределяется вычислительная нагрузка.

Как работает маршрутизация: router и top-k

Ядро разреженной MoE-архитектуры — не сами эксперты, а логика, которая решает, кому из них достанется работа. Именно от router зависит, останется ли модель разреженной на практике или все эксперты будут загружены одинаково.

Router оценивает и выбирает экспертов

Для каждого токена router (или gating network) вычисляет оценку релевантности по всем доступным экспертам, затем выбирает top-k экспертов с наибольшим весом — и только они обрабатывают этот конкретный токен, пока остальные эксперты для него простаивают. Выходы выбранных экспертов взвешенно суммируются согласно оценкам router, формируя итоговое представление токена. Такой отбор экспертов на лету и называют разреженной активацией (sparse activation) — в отличие от плотной архитектуры, где абсолютно все параметры участвуют в обработке каждого токена без исключения.

Типичные значения top-k в разных моделях

Число активных экспертов на токен — один из ключевых параметров MoE-модели, и разброс между моделями большой. В большинстве MoE-архитектур на токен активируется 2-4 эксперта: Mixtral 8x7B использует top-2 routing из 8 доступных экспертов, DeepSeek-V2 маршрутизирует токен на 6 экспертов (top-6) из 160 плюс 2 постоянных shared-эксперта — итого 8 активных. Схема 16 из 896 доводит разреженность до экстремума — на каждом шаге задействовано лишь около 1,8% всего пула экспертов.

Зачем нужна разреженность: экономия вычислений vs память

Разреженная MoE-архитектура решает конкретную инженерную проблему: как нарастить число параметров модели, не поднимая пропорционально стоимость каждого запроса.

Compute-эффективность: считать меньше, знать больше. Разреженная активация позволяет наращивать общее число параметров модели — а вместе с ним и объём «знаний», которые она способна удерживать, — практически без роста стоимости инференса. Для каждого токена считаются только веса активных экспертов, а не вся модель целиком. Mixtral 8x7B при 47 млрд параметров суммарно задействует на инференсе лишь 13 млрд активных — за счёт этого модель работает быстрее аналога с тем же числом параметров в плотной архитектуре. Google в своё время показала предел этого подхода в Switch Transformer — модели на 1,6 трлн параметров, использовавшей top-1 routing (всего один активный эксперт на токен).

Обратная сторона: все эксперты должны быть в памяти. Экономия вычислений не отменяет требований к памяти. Несмотря на то что на каждом шаге реально считаются лишь несколько экспертов, все веса всех экспертов должны храниться в VRAM одновременно — заранее неизвестно, какой токен на каком шаге к какому эксперту будет направлен router. Из-за этого узкое место MoE-архитектуры смещается с вычислений (FLOPs) на объём доступной видеопамяти: развернуть модель с 896 экспертами сложнее именно по памяти, а не по скорости счёта.

Итог по компромиссу разреженной активации:

• растут общие параметры и «знания» модели — без пропорционального роста стоимости инференса;
• НЕ растёт объём вычислений на токен — считаются только веса top-k активных экспертов;
• растут требования к видеопамяти — все эксперты хранятся в VRAM одновременно, независимо от того, сколько из них активны.

Как устроена предельная разреженность: Stable LatentMoE

Stable LatentMoE от Moonshot AI — пример того, насколько далеко можно завести идею разреженной активации, если параллельно решить проблему стабильности обучения такого количества экспертов.

Схема 16 из 896 экспертов на токен

Stable LatentMoE использует архитектуру, в которой из 896 доступных экспертов на каждый токен активируется лишь 16 (около 1,8%), при этом из 2,8 трлн общих параметров модели активными на каждом шаге остаются порядка 50 млрд. Это близко по духу к тому, как в модели реализован блок внимания Kimi Delta Attention — оба механизма нацелены на одно и то же: сохранить скорость ответа модели, не жертвуя ёмкостью, доступной триллионной модели с большим количеством параметров.

Quantile Balancing и Per-Head Muon — против дисбаланса роутера

Quantile Balancing выравнивает нагрузку между 896 экспертами по квантилям распределения, не позволяя router «залипать» на узком наборе экспертов, который иначе получал бы непропорционально много токенов. Per-Head Muon — оптимизатор, применяемый по головам внимания, повышает стабильность обучения router при таком масштабе — без него маршрутизация между почти тысячей экспертов рисковала бы стать неустойчивой уже на этапе обучения. По данным разбора MarkTechPost, именно эта пара механизмов балансировки и оптимизации даёт комбинации Quantile Balancing и Per-Head Muon примерно в 2,5 раза лучшую масштабируемость по сравнению с предыдущим поколением моделей Moonshot AI.

Stable LatentMoE активирует 16 из 896 экспертов на токен, задействуя около 50 млрд параметров из 2,8 трлн общих — Quantile Balancing и Per-Head Muon в связке дают примерно в 2,5 раза лучшую масштабируемость относительно предыдущего поколения моделей.

Moonshot AI, официальный техноблог модели

Отдельно стоит вопрос цены: тарификация API привязана к фактически потреблённым токенам, а не к общему числу параметров модели, — это прямое следствие того, что для каждого запроса реально считаются лишь активные эксперты, а не все 896; подробный расклад даёт цена API.

Балансировка нагрузки: почему роутер не должен «залипать»

Разреженная активация работает только тогда, когда router действительно распределяет токены равномерно между экспертами. Если этого не происходит, часть потенциала MoE-архитектуры просто теряется.

Проблема коллапса экспертов

Если router постоянно выбирает одних и тех же «популярных» экспертов, а остальные редко получают токены, эксперты, обделённые вниманием router, недообучаются — их веса почти не обновляются градиентами. Это классическая проблема MoE-архитектур, знакомая ещё по ранним экспериментам с Mixtral и Switch Transformer: без специальных механизмов балансировки router быстро сходится к узкому подмножеству экспертов, и смысл наращивания их общего числа теряется.

Методы решения

Индустрия выработала несколько подходов к балансировке нагрузки между экспертами:

1. Оцените текущее распределение токенов по экспертам на этапе обучения.
2. Если распределение сильно неравномерно — добавьте Noisy Top-k Gating: шум к оценкам router снижает вероятность, что одни и те же эксперты выигрывают конкуренцию за токен раз за разом.
3. Введите Auxiliary Loss — дополнительный штраф в функции потерь за неравномерность загрузки экспертов, вынуждающий router распределять токены более равномерно.
4. Рассмотрите Expert Choice Routing — альтернативную схему, где не router выбирает экспертов для токена, а каждый эксперт сам выбирает, какие токены обработать, что естественным образом выравнивает нагрузку.
5. Для очень большого числа экспертов (сотни и более) используйте механизмы вроде Quantile Balancing — балансировку по квантилям распределения нагрузки, а не по среднему значению.
6. Проверьте стабильность обучения router отдельно от баланса нагрузки — при большом количестве экспертов может понадобиться специализированный оптимизатор.
7. Повторяйте мониторинг распределения на протяжении всего обучения, а не только в начале — коллапс экспертов может проявиться на поздних этапах.

У Stable LatentMoE роль основного механизма против дисбаланса выполняет Quantile Balancing — она заменяет более простые схемы вроде Auxiliary Loss там, где число экспертов измеряется сотнями.

Разреженный MoE в других моделях

Схема 16 из 896 экспертов — не единственная реализация разреженной MoE-архитектуры: за последние несколько лет подход стал стандартом для флагманских открытых LLM.

• Switch Transformer — Google, 1,6 трлн параметров, top-1 routing; первой на практике показала, что разреженная активация масштабируется до размеров, недостижимых для плотных архитектур того времени.
• Llama 4 Scout — 16 экспертов, 109 млрд параметров общих, ~17 млрд активных.
• Llama 4 Maverick — 128 экспертов, ~400 млрд общих, ~17 млрд активных (столько же, сколько у Scout, — больше общих параметров не увеличивает активные).
• DeepSeek-V2 — top-6 routing из 160 доступных экспертов плюс 2 общих (shared) эксперта, которые обрабатывают каждый токен без исключения, — итого 8 активных экспертов на токен.
• DeepSeek-V3/R1 — архитектура изменена: top-8 routing из 256 доступных экспертов плюс 1 shared эксперт — итого 9 активных экспертов на токен, при 671 млрд параметров общих и 37 млрд активных. Как и у V2, гибридная схема между чисто разреженной и плотной архитектурой за счёт постоянно активного shared-эксперта.
• GigaChat-20B-A3B (Сбер) — 64 маршрутизируемых эксперта плюс 2 shared; при 20 млрд параметров общей ёмкости активными остаются около 3,3 млрд (отсюда и обозначение A3B — Active 3B).

Российский пример из этого списка — GigaChat-20B-A3B: модель показывает, что разреженная MoE-архитектура применяется не только в англоязычных флагманах, но и в отечественных разработках.

FAQ