如何循环 MoE：压平专家，解开注意力

从今天觉醒,技术赋予每一个人数字生命

如何循环 MoE：压平专家，解开注意力

① 技术背景

过去两年，大模型架构的演进基本沿着两条独立路线展开。一条是循环 Transformer （Looped Transformer）：把同一组层反复用几遍，用额外算力把固定尺寸的模型"榨"得更充分，让参数被复用得更彻底。另一条是稀疏混合专家（MoE）：每个 token 只激活众多专家中的少数几个，从而在总参数量膨胀的同时控制单 token 计算量。

两条路线其实在回答同一个问题------如何更划算地花算力 。循环是"时间维度上的复用"，MoE 是"参数维度上的稀疏"。把它们合起来，直觉上很诱人：循环 MoE 应该能同时吃到两份红利。但真正动起手来，问题立刻冒出来------MoE 到底该怎么循环？ 是把整个 MoE 块原封不动循环几遍？还是把专家拆开？注意力要不要跟着一起循环？

这篇论文给出的答案叫 Foil ，核心就两个动作：压平专家（flatten the experts）和解开注意力（untie the attention）。下面我们顺着"要回答什么问题 → 怎么设计 → 为什么有效"的链路，把关键抽象拆开看。

② 主流方案盘点

方案一：标准循环 Transformer。 代表工作是 Universal Transformer 一脉。职责很清晰------把一层（或一个块）重复 N 次，每一遍共享同一套权重。优点是参数零增长就能加深有效深度；缺点是循环次数一多，梯度传播和表达多样性都会受限。

方案二：标准稀疏 MoE。 代表如近年的 DeepSeek、Qwen 系列 MoE 变体。职责是让每层有大量专家、每 token 只路由到 top-k 个。核心抽象是路由器（router）和专家池（expert pool）。优点是总参数大、激活参数小；缺点是路由容易塌缩到少数专家，负载不均。

方案三：朴素循环 MoE（baseline）。 把整个 MoE 块循环几遍，专家和路由器全共享。这是最省事的做法，也是论文要对比的基线。问题是：每一遍的路由决策都从同一个专家池里选，循环带来的额外计算并没有扩大"可选范围"。

方案四：Foil。 在固定专家参数总量和固定单 token 专家计算量的前提下，做两件事：把专家层数减半、每层专家数翻倍、循环遍数翻倍，让每次路由从更大的池子里选；同时解开注意力，每一遍有独立的注意力参数，而专家和路由器仍然共享。

③ 对比与优劣

维度	标准循环 Transformer	标准稀疏 MoE	朴素循环 MoE	Foil
参数复用方式	全块共享	不循环	全块共享	专家/路由共享，注意力独立
单 token 专家计算	无	固定	固定	固定
路由可选池	无	每层固定	每遍相同池	每遍更大池
注意力多样性	低	单遍	低	高（每遍独立）
主要风险	表达塌缩	负载不均	循环收益递减	实现复杂度上升

论文实验里，20B token 时每个 Foil 模型的预训练 loss 都低于未压平的循环基线；到 100B token，loss 随压平程度单调改善，压得最狠的 Foil 在等参数等算力下比基线低 0.012 nat，下游准确率持平或更好。解开注意力还带来了更均衡、更自信的路由。

④ 选型建议

场景一：算力紧张、想压榨小模型。 优先考虑循环结构，但别急着上 Foil------先把循环 Transformer 跑通，确认循环确实带来收益，再考虑引入 MoE。

场景二：已有 MoE 想提效。 Foil 的压平思路值得试：把专家层减半、每层专家翻倍、循环翻倍。关键约束是保持专家参数和单 token 专家计算不变，否则对比就不公平。

场景三：研究路由行为。 解开注意力是低成本高回报的改动。论文指出路由置信度比负载均衡更能反映专家是否被健康使用------如果你在调路由，别只盯 load balance 指标。

面试/作业常被追问的点： 为什么压平能提升路由？因为可选池变大，路由决策的"信息量"更高；为什么注意力要解开？因为循环时若注意力也共享，每一遍看到的表示几乎一样，循环就退化成重复计算。

⑤ 未来展望

Foil 给出的设计指引很明确：稀疏循环 MoE 应该用更多专家、更多遍数 。循环的收益和加宽专家层的收益会相互放大，而不是简单叠加。

但仍有未解问题：压平到什么程度会触顶？路由置信度作为健康指标是否在所有规模都成立？注意力解开后参数量上升，如何在更大模型上控制成本？代码和配置已开源，这些问题正等着被更多人验证。

对在校学生和转行者来说，这是一个很好的"可写进作品集"的小课题------复现 Foil 的压平策略，对比路由指标，成本不高，却能完整体验"提出假设 → 控制变量 → 验证"的研究闭环。