ConMoE：MoE压缩作为专家选择与功能分配

2026年10月15日，arXiv Artificial Intelligence 刊出 Yilun Yao 等作者的论文，提出 MoE 专家压缩方法 ConMoE。据该报道，ConMoE 把 MoE 专家压缩拆成两步：一是构建专家池，二是把原专家的负载分配到该池中；论文表明，在专家池固定之后，分配环节仍可继续优化。该方法在专家池固定后，用路由器条件化的功能目标来优化分配，仅以参数接近度作为代理，全程使用无标注校准输入，并冻结路由器与专家权重。报道未提及该方法适用的模型规模、压缩比例、计算开销或与其他压缩方法的对比结果，也未给出发布时间之外的地域或收费信息。目前该事件仅有这一篇主报道，尚无后续跟进报道，因此不存在早先报道与后续报道之间的数字、时间或说法矛盾。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。