热点事件持续更新
研究人员提出免训练MoE压缩框架GS-MoE
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
2026年10月26日，arXiv机器学习领域发布论文，研究人员提出了免训练的混合专家模型（MoE）压缩框架GS-MoE。该框架利用分组低秩共享子空间与基于Nyström的神经元压缩技术，可同时消除专家间与专家内的参数冗余。在针对DeepSeek-MoE-16B-Base的测试中，GS-MoE在减少60%总模型参数的情况下，保留了约90%的平均推理性能，表现优于D²-MoE的73%，同时其域外困惑度降低了20%。
AI 根据报道生成 · 6 小时前更新
最新进展10月26日 12:00
研究人员提出GS-MoE框架，在减少60%参数时保留约90%推理性能。报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv 机器学习GS-MoE：通过分组子空间共享与剪枝实现的免训练 MoE 压缩
研究人员提出免训练 MoE 压缩框架 GS-MoE，通过分组低秩共享子空间与基于 Nyström 的神经元压缩，同时消除专家间与专家内的参数冗余。在 DeepSeek-MoE-16B-Base 减少 60% 总模型参数的测试中，GS-MoE 保留了约 90% 的平均推理性能，优于 D$^2$-MoE 的 73%，且域外困惑度降低 20%。
本事件热度走势
当前热度 9·可比范围峰值 10（10月26日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。