盘古MoGE架构破解混合专家模型负载难题混合专家模型（MoE）因其能以较低成本支持更大参数规模并实现稀疏激活而备受关注，但实际部署中常面临专家激活严重不均衡的问题，导致效率低下。针对此，盘古团队提出新型分组混合专家模型（MoGE），通过专家分组并约束组内等量激活，成功实现专家负载均衡，显著提升了模型在昇腾平台的部署效率。基于MoGE架构，盘古Pro MoE模型总参数量达720亿，激活参数量为160亿，并针对昇腾平台进行了深度优化。在昇腾800I A2上，该模型实现了单卡高达1148 tokens/s的推理吞吐，借助投机加速等技术可进一步提升至1528 tokens/s，性能远超同规模稠密模型。同时，在昇腾300I Duo服务器上也实现了高性价比的推理方案。研究与多项基准测试结果表明，昇腾NPU能够支持盘古Pro MoE的大规模并行训练，且该模型在千亿内总参数模型中处于领先地位，在中文、英文及推理等多个领域均超越了Qwen3-32B、GLM-Z1-32B等先进模型。 ☘️
- 转载请保留原文链接谢谢！
- 本站所有资源文章出自互联网收集整理，本站不参与制作，如果侵犯了您的合法权益，请联系本站我们会及时删除。
- 本站发布资源来源于互联网，可能存在水印或者引流等信息，请用户擦亮眼睛自行鉴别，做一个有主见和判断力的用户。
- 本站资源仅供研究、学习交流之用，若使用商业用途，请购买正版授权，否则产生的一切后果将由下载用户自行承担。
- 联系方式：936787576@qq.com
