PulseAugur
中
实时 07:35:57

新的R&Q策略在无需重新训练的情况下平衡SMoE LLM负载

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为Replicate-and-Quantize (R&Q) 的新推理时策略，以解决稀疏专家混合（SMoE）大型语言模型中的负载不平衡问题。该方法在无需重新训练或修改路由机制的情况下，动态地重新平衡专家之间的工作负载。实验表明，R&Q可以将不平衡度降低高达1.4倍，同时保持准确性，从而使SMoE模型在部署时更高效、更可预测。 AI

影响 提高了SMoE LLM推理的效率和可预测性，可能降低部署成本。

排序理由 详细介绍LLM推理新技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的R&Q策略在无需重新训练的情况下平衡SMoE LLM负载

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zijie Liu, Jie Peng, Jinhao Duan, Zirui Liu, Kaixiong Zhou, Mingfu Liang, Luke Simon, Xi Liu, Zhaozhuo Xu, Tianlong Chen ·

    稀疏专家混合LLM即插即用负载均衡的复制与量化策略

    arXiv:2602.19938v2 Announce Type: replace Abstract: Sparse Mixture-of-Experts (SMoE) architectures are increasingly used to scale large language models efficiently, delivering strong accuracy under fixed compute budgets. However, SMoE models often suffer from severe load imbalanc…

相关实体

相关话题