新方法实现MoE模型提前路由，大幅优化端侧流式推理I/O瓶颈

dai_app · reddit · 2026-08-01

一位开发者在探索将大型 MoE 模型流式传输到手机等低算力边缘设备时，提出了一种突破性的 I/O 优化方案。

核心痛点：在 MoE 架构中，模型需要通过路由实时判断调用哪些专家，但如果所需的专家未缓存在内存中，就会因闪存读取（I/O）延迟严重拖慢推理速度。

解决方案：作者提出利用当前层（L）的前 n 层的隐藏状态，结合 L 层自身的路由权重，提前 n 层预测并预取所需的专家。这样在计算到达 L 层时，所需专家已加载完毕，从而将 Token 生成速度的瓶颈完全转移至纯算力层面。

初步成效：最令人惊讶的是，这种跨越多层的前置预测路由不仅没有导致模型质量下降，初步测试显示生成质量似乎完全不受影响。作者计划近期公开相关研究数据，并正在寻求社区对类似预测性预取项目的讨论与反馈。

「Infra」频道最新