機器之心發(fā)布

大模型越來越大，Mixture-of-Experts（MoE）已經(jīng)成為擴展模型參數(shù)規(guī)模、降低單次計算成本的重要架構(gòu)之一。但在真實的 Web-scale 系統(tǒng)中，MoE 路由機制仍然存在一個容易被忽視的問題：它往往是「無記憶」的。

對于搜索、問答、對話等高并發(fā)場景，大量輸入并非完全獨立，而是具有顯著的語義重復(fù)性和結(jié)構(gòu)相似性。傳統(tǒng) MoE 路由器每次都從當(dāng)前輸入出發(fā)，重新判斷應(yīng)該激活哪些專家。這意味著，即使模型此前已經(jīng)在相似輸入上找到過有效的專家組合，下一次遇到類似問題時，仍然可能重新探索一遍。

這種「短視」的路由方式會帶來三個問題：一是重復(fù)計算，導(dǎo)致推理延遲和資源浪費；二是路由不穩(wěn)定，輸入稍有擾動就可能觸發(fā)完全不同的專家集合；三是專家之間的協(xié)作關(guān)系難以沉淀，模型只是在選擇單個專家，而沒有顯式復(fù)用歷史上有效的「專家團隊」。

針對這一問題，來自馬上消費金融、南京航空航天大學(xué)、阿里巴巴等機構(gòu)的研究團隊提出了RMS-MoE（Retrieval-Memory Synergy Mixture-of-Experts）。該工作將 MoE 路由從一次性的分類決策，重新定義為一個「檢索 — 記憶 — 融合」的過程：模型不再只依賴當(dāng)前 router 的即時判斷，而是會從歷史記憶中檢索相似輸入曾經(jīng)激活過的高效專家組合，并與當(dāng)前路由結(jié)果動態(tài)融合。

• 論文標(biāo)題：Rethinking MoE with Retrieval-Memory Synergy: Towards Efficient Expert Coordination
• 會議：The ACM Web Conference 2026（WWW 2026）
• 作者：Wanjie Tao, Qun Dai, Yantong Lv, Quan Lu, Ning Jiang, Zulong Chen
• 機構(gòu)：馬上消費金融、南京航空航天大學(xué)、阿里巴巴
• 論文鏈接：https://dl.acm.org/doi/epdf/10.1145/3774904.3792922

MoE 路由為什么需要「記憶」？

MoE 的優(yōu)勢在于稀疏激活。給定一個輸入，router 會從多個專家中選擇少數(shù)幾個參與計算，從而在保持模型容量的同時降低每次前向計算成本。

然而，當(dāng)前主流 MoE 路由方式大多仍然遵循一種 stateless paradigm：每個輸入獨立處理，歷史上相似輸入的專家選擇經(jīng)驗并不會被系統(tǒng)性利用。

這在離線 benchmark 中可能不明顯，但在真實 Web 場景中會變得非常關(guān)鍵。例如，在搜索、開放域問答、智能客服和多輪對話中，用戶請求往往存在大量語義重疊。同類問題、同類任務(wù)、同類表達(dá)會反復(fù)出現(xiàn)。如果系統(tǒng)每次都重新計算專家分配，就會造成明顯的計算冗余。更重要的是，對于語義相近的輸入，如果專家激活集合頻繁波動，模型行為也會變得不穩(wěn)定。

RMS-MoE 的出發(fā)點是：既然用戶輸入具有重復(fù)性，專家協(xié)作模式也應(yīng)該可以被記住和復(fù)用。與傳統(tǒng) RAG 從外部知識庫檢索文本內(nèi)容不同，RMS-MoE 檢索的不是知識片段，而是模型內(nèi)部的專家協(xié)作模式。換句話說，它做的是一種 architectural memory：讓模型記住自己過去是如何調(diào)度專家的

RMS-MoE：

從「即時路由」到「檢索增強路由」

RMS-MoE 的整體框架由三個核心模塊構(gòu)成：Co-Activation Memory（CAM）、Adaptive Fusion Module（AFM）和 Reinforcement-Guided Memory Update。CAM 用于存儲和檢索歷史上有效的專家組合；AFM 用于動態(tài)融合記憶先驗和當(dāng)前 router 的實時判斷；強化反饋式更新則用任務(wù)反饋持續(xù)維護記憶質(zhì)量。

從流程上看，當(dāng)一個新輸入進(jìn)入模型后，RMS-MoE 首先通過 Input Encoder 得到輸入表示，同時標(biāo)準(zhǔn) router 會生成一個實時專家激活結(jié)果。與此同時，CAM 會根據(jù)當(dāng)前輸入表示，從記憶庫中檢索最相似的歷史樣本，并取出這些樣本對應(yīng)的專家激活模式。隨后，模型會根據(jù)檢索相似度和歷史效用信息，聚合得到一個 memory prior，也就是「歷史上相似輸入更可能適合哪些專家團隊」。最后，AFM 會學(xué)習(xí)一個動態(tài)融合權(quán)重，將 memory prior 與實時 router 輸出結(jié)合，得到最終專家激活結(jié)果。

這種設(shè)計帶來的好處是：對于熟悉、重復(fù)、語義相近的輸入，模型可以更多依賴歷史上驗證有效的專家組合；對于新穎或低相似度輸入，模型仍然可以回退到實時 router，保持靈活性。

RMS-MoE 方法框架圖

Co-Activation Memory：

記住的不是知識，而是「專家團隊」

RMS-MoE 的關(guān)鍵模塊是Co-Activation Memory。CAM 可以理解為一個動態(tài) key-value memory。每條記憶包含兩部分：key 是輸入 embedding，value 是對應(yīng)的專家激活模式以及相關(guān)元信息，例如歷史 reward、最近使用情況等。

當(dāng)新輸入到來時，模型會用當(dāng)前輸入 embedding 去 CAM 中檢索 top-K 個相似條目。每個條目不僅代表一個相似輸入，還攜帶了該輸入曾經(jīng)激活過的專家組合。隨后，RMS-MoE 會結(jié)合相似度和歷史效用，對這些專家組合進(jìn)行加權(quán)聚合，得到一個專家選擇先驗。

這里的核心思想是：專家之間的共同激活關(guān)系本身就是一種可復(fù)用的結(jié)構(gòu)知識。傳統(tǒng) MoE router 往往獨立評估每個專家是否應(yīng)該被激活，而 RMS-MoE 更關(guān)注「哪些專家曾經(jīng)一起有效工作」。這使得模型不只是選擇專家，而是在復(fù)用專家團隊的協(xié)作經(jīng)驗。

Adaptive Fusion：

既相信記憶，也保留實時判斷

僅有記憶是不夠的。如果模型過度依賴歷史經(jīng)驗，就可能在遇到新任務(wù)、新表達(dá)或低頻場景時產(chǎn)生錯誤遷移。因此，RMS-MoE 引入了Adaptive Fusion Module，用一個可學(xué)習(xí)的動態(tài)門控系數(shù) β 來控制記憶先驗和實時路由之間的平衡。

當(dāng)當(dāng)前輸入與 CAM 中的歷史樣本高度相似時，β 會更大，模型更傾向于使用記憶檢索得到的專家組合；當(dāng)相似度較低時，β 會降低，模型則更多依賴當(dāng)前 router 的即時判斷。這使得 RMS-MoE 不會變成一個簡單的緩存系統(tǒng)，而是一個能夠根據(jù)輸入熟悉程度自適應(yīng)決策的路由框架。

簡單來說，RMS-MoE 的路由邏輯可以概括為：熟悉的問題，優(yōu)先復(fù)用歷史上表現(xiàn)好的專家團隊；陌生的問題，回退到當(dāng)前 router，保持探索能力；模糊的問題，在記憶和實時判斷之間動態(tài)折中。

強化反饋式更新：讓記憶持續(xù)進(jìn)化

為了避免 CAM 退化成靜態(tài)緩存，RMS-MoE 還設(shè)計了reinforcement-guided memory update。在訓(xùn)練過程中，模型會根據(jù)任務(wù)反饋更新記憶條目的效用分?jǐn)?shù)。論文中將負(fù)訓(xùn)練損失作為 reward 信號，并使用指數(shù)滑動平均更新歷史 reward。

同時，CAM 還會記錄條目的新近程度，并在容量受限時基于 utility-recency score 進(jìn)行淘汰。也就是說，一個專家組合如果在歷史上多次帶來較好任務(wù)表現(xiàn)，它就會更容易被保留和再次檢索；如果一個組合長期無效或過時，則會逐漸被削弱甚至移除。

此外，CAM 更新被設(shè)計為異步機制。模型不會在每次前向傳播中同步修改索引，而是將更新操作緩沖后批量執(zhí)行。這種設(shè)計避免了檢索索引對梯度計算的干擾，也降低了在線更新帶來的系統(tǒng)開銷。

實驗：

在 WebQA 和 MultiWOZ 上同時提升準(zhǔn)確率、延遲和穩(wěn)定性

論文主要在 WebQA 上進(jìn)行評估。WebQA 包含 120 萬個問答樣本，并具有約 30% 的查詢?nèi)哂?，非常適合測試記憶增強路由在高重復(fù) Web 場景中的效果。同時，研究團隊還在 MultiWOZ 上驗證了方法在多輪任務(wù)型對話中的泛化能力。

實驗對比了多種強 MoE 基線，包括 Switch Transformer、Expert-Choice MoE、Hash-MoE、Soft-MoE 和 DeepSeekMoE。所有模型使用相同的 MoE 基礎(chǔ)架構(gòu)：32 個專家，hidden dimension 為 1024，每個 token 激活 top-4 專家。RMS-MoE 額外設(shè)置 CAM 容量為 10^5，檢索 top-5 個記憶條目。實驗在 8 張 NVIDIA A100 GPU 上運行，并報告 10 次運行的均值和標(biāo)準(zhǔn)差。

在 WebQA 上，RMS-MoE 取得了最優(yōu)結(jié)果。相較于 DeepSeekMoE，RMS-MoE 的 F1 提升 2.7 個點，歸一化延遲從 0.72× 降至 0.53×，約降低 26%。相較于 Switch Transformer，RMS-MoE 的端到端延遲幾乎減半。在 MultiWOZ 上，RMS-MoE 也保持了類似趨勢，實現(xiàn)了 2.5 個 BLEU 分?jǐn)?shù)提升和 34% 的延遲降低。這說明該方法并不局限于單一問答任務(wù)，也能夠遷移到多輪對話場景。

WebQA 主實驗結(jié)果（Latency 歸一化至 Switch Transformer）

消融實驗：CAM 是性能提升的關(guān)鍵

為了分析各模塊貢獻(xiàn)，論文進(jìn)一步進(jìn)行了消融實驗。結(jié)果顯示，移除 CAM 后，模型 F1 從 82.5 降至 77.3，穩(wěn)定性從 0.94 降至 0.85，性能退化最明顯。這說明歷史專家協(xié)作模式的檢索與復(fù)用是 RMS-MoE 的核心收益來源。

移除 Adaptive Fusion 后，F(xiàn)1 降至 78.2，說明簡單使用記憶并不足夠，模型必須根據(jù)輸入情況動態(tài)決定「相信記憶」還是「相信當(dāng)前 router」。移除 reinforcement-guided update 后，F(xiàn)1 降至 79.8，穩(wěn)定性也出現(xiàn)下降，說明記憶質(zhì)量的持續(xù)維護同樣重要。

敏感性分析進(jìn)一步表明，RMS-MoE 對關(guān)鍵超參數(shù)較為穩(wěn)健。CAM 容量在 10^5 附近達(dá)到較好效果，top-K 檢索數(shù)量在 K=5 時形成較優(yōu)的準(zhǔn)確率 — 延遲平衡，而融合門控 β 最終穩(wěn)定收斂到約 0.6，說明模型會在相當(dāng)一部分決策中主動利用記憶先驗。

WebQA 消融實驗結(jié)果

為什么這項工作重要？

RMS-MoE 的意義不只是提出了一個新的 MoE 變體，更重要的是，它重新思考了 MoE 路由的本質(zhì)。過去，MoE 路由通常被看作一個即時決策問題：給定當(dāng)前 token，選擇若干專家。RMS-MoE 則把它擴展為一個具有歷史經(jīng)驗的動態(tài)過程：當(dāng)前輸入不僅由當(dāng)前 router 決定，也可以參考過去相似輸入中已經(jīng)驗證有效的專家協(xié)作模式。

這帶來了三個層面的變化。第一，路由從「無狀態(tài)」變成「有記憶」。模型能夠復(fù)用歷史上成功的專家組合，減少重復(fù)探索。第二，專家選擇從「單專家打分」走向「專家團隊復(fù)用」。RMS-MoE 顯式建模共同激活模式，讓專家協(xié)作關(guān)系成為可檢索、可強化、可淘汰的結(jié)構(gòu)。第三，檢索增強不再只發(fā)生在內(nèi)容層。傳統(tǒng) RAG 檢索的是外部知識或文本片段，而 RMS-MoE 檢索的是模型內(nèi)部架構(gòu)行為。

對于 Web-scale 推理系統(tǒng)而言，這一點尤其關(guān)鍵。搜索、問答、對話、推薦和智能客服等場景都存在高頻、重復(fù)、相似的用戶請求。如何在保證模型效果的同時降低推理成本、提升響應(yīng)穩(wěn)定性，是大模型落地過程中非?，F(xiàn)實的問題。RMS-MoE 提供了一種輕量但有效的思路：讓模型記住自己過去做過的有效計算，并在相似場景中復(fù)用這些經(jīng)驗。

結(jié)語

隨著大模型規(guī)模持續(xù)擴大，MoE 已經(jīng)成為提升模型容量與推理效率的重要路線。但真正高效的 MoE，不應(yīng)只是「稀疏激活更多專家」，還應(yīng)當(dāng)能夠?qū)W習(xí)和復(fù)用專家之間的協(xié)作規(guī)律。

RMS-MoE 將檢索、記憶與專家路由結(jié)合起來，為 MoE 架構(gòu)引入了一種新的 architectural memory。實驗結(jié)果表明，這種設(shè)計能夠在 Web-scale QA 和多輪對話任務(wù)中同時改善準(zhǔn)確率、推理延遲和路由穩(wěn)定性

未來，隨著大模型在搜索、對話、智能客服和復(fù)雜任務(wù)系統(tǒng)中的進(jìn)一步部署，如何讓模型的內(nèi)部計算路徑更加穩(wěn)定、可復(fù)用、可解釋，將成為提升大模型系統(tǒng)效率的重要方向。RMS-MoE 的工作表明：大模型不僅需要記住外部知識，也需要記住自己「如何思考」和「如何調(diào)度計算資源」。

作者介紹

陶萬杰：馬上消費金融人工智能研究院算法副總監(jiān)，北京郵電大學(xué)碩士，長期從事金融垂直領(lǐng)域大模型、智能客服、知識工程與高可信 AI 服務(wù)系統(tǒng)研究。當(dāng)前重點關(guān)注檢索增強、混合專家模型、多智能體協(xié)同與金融場景下可控、可解釋、可規(guī)?；拇竽Ｐ蛻?yīng)用，致力于構(gòu)建面向真實業(yè)務(wù)場景的高效、穩(wěn)定、可信智能服務(wù)系統(tǒng)。