热点事件持续更新
研究揭示MoE预填阶段专家削减性能损失机制
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月19日，arXiv发布的一篇自然语言处理研究，揭示了混合专家（MoE）模型在预填（Prefill）阶段削减专家导致性能损失的核心机制。研究指出，削减专家造成的短问答F1损失主要由极少数提示词Token承担。具体来看，在Qwen3-30B-A3B中损失主要来自答案前的2个模板token，在DeepSeek-V2-Lite中则来自前8至32个指令token。实验表明，无需全量保留，仅对约4%的关键接口token保留完整专家，即可将F1差距控制在1 point以内。
AI 根据报道生成 · 3 小时前更新
最新进展10月19日 12:00
研究发现仅保留约4%关键接口token的完整专家，即可将MoE预填削减的F1差距控制在1 point内。报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv 自然语言处理MoE 模型在 Prefill 阶段削减专家究竟损害了什么：少数提示词 Token 承担了大部分短问答 F1 损失
研究发现 MoE 模型在 Prefill 阶段削减专家导致的短问答 F1 损失主要由极少数 token 承担。在 Qwen3-30B-A3B 与 DeepSeek-V2-Lite 中，损失分别来自答案前 2 个模板 token 和前 8-32 个指令 token；仅对约 4% 接口 token 保留完整专家即可将 F1 差距保持在 1 point 内。
本事件热度走势
当前热度 9·可比范围峰值 10（10月19日 12:00）·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。