moe

# MOE 肽类药物设计（八）：让自定义非天然氨基酸真正可用——Rotamer Library 怎么建立？上一章完成以后，我们已经有了一个：nnaa_library.mdb其中保存了 CYC4、AZE2 等自定义非天然氨基酸。

MOE 肽类药物设计（七）：天然氨基酸不够用？在 MOE 中创建自己的非天然氨基酸上一篇中，我们已经使用 Molecule Builder 对肽上的单个原子进行修改。如果进一步思考，就会发现一个很自然的问题：

MOE 肽类药物设计（四）：结合位点还有没有优化空间？用 Surface 和 Protein Patches 看懂蛋白口袋上一节中，我们已经发现 p53 的 Phe19、Leu22、Trp23 和 Leu26 与 Mdmx 存在较多接触。

MoE架构原理与算力基础设施重估"更多参数、更低算力开销"这对看似矛盾的需求，被 Mixture-of-Experts（MoE）做到了。但稀疏激活这份"免费午餐"并不白给——它把压力从计算侧转移到了显存驻留与通信侧。本文讲清 MoE 的路由与负载均衡原理，再用 Mixtral、Grok、DeepSeek-V3 三个真实案例，说明为什么一个 MoE 集群真正烧钱的地方，往往不是 FLOPs，而是 HBM 容量和跨节点 all-to-all 带宽。

MOE基于结构的药物设计（七）：Ligand R-Vectors——如何判断配体可以从哪里继续生长？前两篇中，我们已经从两个角度分析了 EGFR–Tarceva（1M17）的结合口袋：Interaction Surface：哪里还有空间？

Kimi K3 开放日拆解：2.8T MoE 的 896 专家稀疏路由、KDA 混合注意力与 Infra 三件套开放日当天，月之暗面把 Kimi K3 的模型权重、技术报告和三个基础设施仓库同时放了出来。我第一时间把权重拉下来，顺手把报告和仓库也一起克隆了，现场拆解会人坐得挺满，周围几位开发者没太关注台上讲了什么，都在低头翻刚公开的模型卡和配置文件。官方公布时间是 2026 年 7 月 27 日，选择这个日子相当于把整个训练家底一次性摊开。

LLM Architecture Gallery 是什么：新开源模型出来后，先对照架构再决定要不要部署新开源模型一出来，开发者最容易先去看跑分、看参数量、看别人说好不好用。但真正决定你能不能部署、长上下文贵不贵、MoE 是否划算的，往往是结构本身。Sebastian Raschka 做的 LLM Architecture Gallery 把 100 多个现代 LLM 的结构图、注意力机制、decoder 类型、每 token KV cache 和 config.json 链接放到同一页，适合当作日常对照表，而不是又一个榜单。

【LLM】GLM-5.3-Flash模型MVBench 和 MMVU：我们使用的参数设置为温度=1.0，top_p=0.95，最大上下文长度为 256K 个令牌。对于那些原生支持视频输入的模型，比如 Gemini 3.7 Flash，我们可以直接将原始视频作为输入进行评估。而对于那些不支持视频输入的模型，我们会采用默认的 1 帧每秒的提取策略。如果提取出的帧数超过 API 的最大限制，我们会在整个视频范围内进行均匀采样，直到达到这个最大帧数限制为止。

（2024|DeepSeek & 北大，Loss-Free Balancing，每专家偏置，QB）MoE 的无辅助损失负载均衡策略论文地址：https://arxiv.org/abs/2408.15664ICLR 2025：https://openreview.net/forum?id=y1iU5czYpE

小红书算法一面十一# 基于MoE的模型架构全景解析MoE（混合专家模型）核心思想是**将模型总参数量与单次推理计算量解耦**，通过稀疏激活专家子网络实现高效扩展。以下按时间线与创新维度，系统介绍主流MoE架构的设计特点、核心突破与适用场景。

27届大模型面试准备（二十一）：MoE 架构全攻略——稀疏激活、路由、负载均衡与专家并行上一篇《评测体系全攻略》收尾时说过，A 系列前二十篇走完了"架构—训练—对齐—推理—量化—评测"的完整链路，接下来转向更前沿的主题。这一篇是第二十一篇，讲混合专家（Mixture of Experts，MoE）。为什么先讲它？因为 2024 年之后所有你叫得出名字的开源旗舰模型——Mixtral、DeepSeek-V2/V3、Qwen2-MoE、Llama 4、Kimi K2——全部是 MoE 架构。面试里问"你了解 MoE 吗"，大部分人能答出"稀疏激活、只激活部分专家"，然后就没了。而真正的区分度在后

人间凡尔赛

Kimi K3 技术拆解：2.8 万亿参数开源模型背后的 KDA 线性注意力与 Stable LatentMoE全球首个 3 万亿级开源模型，896 个专家只激活 16 个，KV Cache 砍掉 75%——月之暗面如何用架构创新把「算力」变成「智能」？

带娃的IT创业者

Inkling：当开源模型开始思考“如何思考”👋 大家好，我是带娃的IT创业者，CSDN 人工智能领域新星创作者，一边带娃一边创业的全栈工程师。专注 AI 大模型应用落地、Python 实战进阶与 AI 开发工具链（Python / FastAPI / 大模型 / AI 编程）。

MoE 推理优化实战——从“瓶颈罗列“到“性能调优“副标题： #20 篇拆解了 MoE 部署的五大瓶颈，这篇给出对应的解法——Expert Parallelism 怎么配、Grouped GEMM 为什么比 for-loop 快 10 倍、路由怎么调丝滑、推测解码如何掩盖 MoE decode 的劣势。从理论到实践的完整拼图。

猫先生Mr.Mao

从“更大”到“更会做事”：Kimi K3 的开放前沿智能路线【从零走向AGI】旨在深入了解通用人工智能（AGI）的发展路径，从最基础的概念起，逐步构建完整的知识体系。项目地址🔗：https://github.com/AI-mzq/From-Zero-to-AGI.git

架构的岔路：Decoder 一统江湖，MoE 另辟蹊径 —— 主流架构变体的工程权衡大模型架构从 Encoder-Decoder、Decoder-Only 到 MoE 的演进，是训练推理一致性、参数效率、稀疏激活三条线的工程权衡。本文从 Dec-Only 胜出原因、MoE 路由与负载均衡、Enc-Dec 的适用边界、混合架构四个切口，给出源码级实现与企业级选型决策框架。

【YOLO-Master】When YOLO-Master Sees GhostsYOLO 中引入 MoE（Mixture of Experts）后（eg：yolo-master），漏检下降但误检(FP)升高是非常常见的问题。因为 MoE 本质上增加了模型容量和表达能力，如果路由器（Gate）没有学好，很容易产生「过拟合局部模式」和「专家幻觉」。

一条大祥脚

Tilelang-Metax|MoE|torch baseline这个比赛的github仓库，race_tests目录下有三个算子，拉取源码操作如下，记得切换分支这里来看看moe算子的实现思路

仅依赖本体感知的高鲁棒性运动控制——go2_rl_gym项目分析项目地址：https://github.com/Robot-Nav/vbot_rl_gym 论文参考：https://arxiv.org/html/2602.00678v4；https://arxiv.org/html/2405.10830v2

从 Prompt 到 WebUI：基于 SenseNova U1 封装一个图文技术博客生成工具版权声明：本文为原创，遵循 CC 4.0 BY-SA 协议。转载请注明出处。这次实践的核心产品对象是商汤日日新 SenseNova U1。我的工作不是训练模型，也不是开发 SenseNova U1 本身，而是基于它的图文生成能力，封装一个面向技术博客创作场景的本地 WebUI/API 工具。这个工具的目标很明确：用户输入文章主题、技术材料和信息图风格后，系统自动生成博客大纲、信息图 Prompt 和 Markdown 技术博客，并可选择继续调用图像生成接口。