紅魔電競平板評測：大屏幕硬實力
前言：三年的疫情因為要上網課的原因激活了平板市場，如今網課的時代已經過去，大家的生活都恢復到了正軌，這也就意味著，真正考驗平板電腦生存的環境來了。也就是面對著這種殘酷的
紅極一時的開源MoE模型Mixtral，論文終于新鮮出爐！
除了披露了更多技術細節，論文中還有一個結論引發了熱烈討論——
研究人員本想研究Mixtral是怎么根據話題分配專家的，結果發現專家的分配……和話題好像沒什么關系。
圖片
而在大多數人的印象中，Mixtral里的8個專家，是分別負責處理不同領域的話題的……
論文的結論曝光后，不少網友開始認為“專家混合”這個說法，可能不那么貼切了：
圖片
于是，針對Mixtral真實的工作機制，有網友給出了這樣的比喻：
所以，比起“專家的組合”，這樣的工作方式更像是一種硬盤陣列或者負載均衡？
圖片
但也有網友表示了不同意見：
這個問題并不根屬于MoE，因為自己之前見過的MoE模型中，是發現了真·專家分工的現象的。
圖片
那么，這究竟是怎么一回事呢？
在訓練過程中，作者觀察了Mixtral中是否有一些專家會針對某些特定領域進行專門化。
具體來說，作者計算了第0、15、31層在The Pile驗證集的不同子集（包含不同領域的文檔）上被選中的專家分布。
這些子集包括LaTeX格式的arXiv論文、生物學論文（PubMed摘要）、哲學論文（PhilPapers）和GitHub代碼等。
結果發現，對這幾個層而言，除了數學領域（DM Mathematics）數據集的專家選擇略有不同外，其余數據集的專家分布都非常類似，并沒有體現出領域間有什么差別。
圖片
而在數學問題上出現不同表現的原因，可能是由于其具有相對特殊的語法結構，進一步的探究也證實了這一想法。
他們發現，專家選擇會被句子的語法結構所影響，一些語法關鍵詞，比如英語中的“Question”或者代碼中的“self”，被分配到相同的專家的概率非常大。
圖片
此外，定量的分析結果還發現了另一個專家分配規律——相鄰的token有很大概率被分配給同一專家。
作者比較了模型針對相鄰token選擇相同專家的概率，包括第一選擇一致率和第一二選擇一致率。
第一二選擇一致是指，模型針對兩個token分別做出的第一和第二選擇，只要存在交集即視為一致。
（比如第一個token的第一、二專家為分別為甲、乙，第二個token的第一、二專家分別為乙、丙，因為都包含了乙，就是一種第一二選擇一致的情況）
因Mixtral中有8個專家，因此在全隨機的選擇方式下，第一選擇一致率應為12.5%（1/8），第一二選擇一致率應為1 - (6/8) × (5/7)，約為46%。
但實際測試發現，Mixtral第一和第一二選擇一致率高于隨機情況，特別是中間的第15層，說明了模型在專家選擇上是具有傾向性的。
圖片
論文地址：https://arxiv.org/abs/2401.04088
本文鏈接：http://m.www897cc.com/showinfo-26-61006-0.html混合專家系統里根本沒專家？開源MoE模型論文引網友熱議
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
上一篇： 12個Java開發者必知必會的編程技巧
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號