热点事件持续更新
DOT-MoE：最优传输实现稠密模型转稀疏MoE
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月16日，AGI Hunt 报道了 DOT-MoE 方法：它把稠密模型转成稀疏 MoE 时的神经元分配问题重构为最优传输问题，神经元在严格容量约束下被“运输”到各个专家。报道指出，此前的 MoEfication 方法依赖随机划分、权重相似度、激活模式聚类等启发式规则，在分配神经元时不考虑其对模型输出的实际影响。报道同时说明，稀疏 MoE 虽然能靠每个 token 只激活一小部分参数来降低开销，但从头训练 MoE 成本高且不稳定。目前的信息仅来自这一篇报道，尚无后续进展或独立验证。
AI 根据报道生成 · 2 小时前更新
最新进展10月16日 05:24
DOT-MoE 用最优传输重构神经元分配，替代随机划分等启发式 MoEfication 方法。报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- AGI HuntDOT-MoE：用最优传输把稠密模型改造成稀疏 MoE
DOT-MoE 把稠密模型转稀疏 MoE 时的神经元分配问题重构为最优传输问题——神经元在严格容量约束下被“运输”到各专家。现有 MoEfication 方法依赖随机划分、权重相似度、激活模式聚类等启发式规则，分配神经元时不考虑其对模型输出的实际影响。而稀疏 MoE 虽能靠每 token 只激活一小部分参数降低开销，从头训练 MoE 却成本高且不稳定。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。