cjuskso
反过来看，
“盘古Pro MoE带领大模型从「参数军备竞赛」转向「实效主义」。”
作者丨李希
当前，混合专家模型（Mixture of Experts, MoE）在大型语言模型中的兴起，使得以较小的计算开销换取更大能力成为可能。然而，传统 MoE 普遍存在专家激活频次高度不均衡现象，当专家并行部署于不同硬件设备时，易引发系统效率瓶颈。
为此，华为盘古团队提出分组混合专家模型（Mixture of Grouped Experts, MoGE），通过在专家挑选阶段引入分组机制，可确保跨设备的计算负载均衡，成功在 4K 昇腾大规模集群进行高效训练。
同时，基于 MoGE 架构构建的盘古 Pro MoE 大模型（72B 总参数、16B 激活参数）在昇腾 300I Duo 和 800I A2 可实现更优的专家负载分布与计算效率（321 tokens/s 和 1528 tokens/s）。
在模型能力方面，盘古 Pro MoE 在最新一期业界权威大模型榜单 SuperCLUE 上交出了超能打的成绩，实现了综合能力的领先。
具体来说，和其他动辄千亿以上的大模型（如 DeepSeek-R1 具有 671B 参数）相比，盘古 Pro MoE 以 72B 总参数量达到了 59 分，千亿参数量以内大模型排行并列国内第一。并且，16B 激活参数量能够媲美其他厂商更大规模的模型。
中文技术报告：
https://gitcode.com/ascend-tribe/pangu-pro-moe/tree/main
英文技术报告：https://arxiv.org/pdf/2505.21411
图源：https://www.superclueai.com/
昇腾原生的MoGE大模型架构，训练效率更优
路由专家被均匀划分为 个不重叠的组，其中每个组内的专家将 被分配到同一个设备上。对于每个输入特征，MoGE 首先通过全局 softmax 路由器计算所有专家 的门控得分。接着，在每个专家组内，根据这些得分选出 ′ = /个得分最高的专家（图中为 从每组 4 个专家中选取 2 个）。未被选中的专家，其对应权重被置为 0。最终 MoGE 的输出由被 激活专家的输出和共享专家的输出加权求和得到。
01
序言
混合专家模型已成为大型语言模型领域的革新范式 —— 近年来，模型与数据集规模呈指数级增长，而 MoE 通过稀疏激活机制（仅针对每个 token 激活部分专家子集），在维持高表达能力的同时降低计算开销，使其在大规模应用中极具吸引力。
然而，传统 MoE 架构面临的核心挑战是专家负载不均衡：当部分专家因过度专业化或 token 分配过载时，其他专家则处于低效利用状态。由于专家通常分布于多设备并行执行，MoE 模块的整体时延往往由承载最多 token 的设备决定，这种不均衡会严重损害计算效率与系统吞吐量。
针对这一行业难题，华为盘古团队（以下简称团队）推出全新盘古 Pro MoE 大模型。
该模型创新性提出分组均衡路由技术，通过硬约束的负载均衡策略，确保每个 token 在预定义的专家分组内激活等量专家，这样就天然的确保了跨设备的专家负载均衡；结合仿真优化算法，从层数、宽度、专家数等多维度优化资源分配，构建出昇腾亲和的盘古 Pro MoE 架构。同时，深度融合昇腾 300I Duo/800I A2 硬件加速架构的并行计算特性与算子级编译优化技术，实现从算法设计到系统落地的全栈创新。
实验表明，盘古 Pro MoE 在同等算力条件下推理延迟更低，和业界同规模大模型相比，通用和棘手推理综合精度领先，为超大规模模型的工业化部署供应新范式。
接下来将系统性解析盘古 Pro MoE 的核心技术原理与工程实现路径。
02
昇腾原生的 MoGE新架构从「无序激活」到「精准协同」
难点背景
传统 Top-K 路由存在无序激活的缺陷，也就是说，专家激活无限制，导致某些专家并行（EP）组负载过高（如某些组激活 4 个专家，某些组专家无激活），引发计算瓶颈和端到端延迟上升。
如下图所示，子图 (a) 展示了在专家并行度 (EP)=4 时，从 24 个专家池中选取 8 个专家的激活专家分布对比；子图 (b) 则呈现了传统 MoE 和本文所提 MoGE 两种路由机制下估计的不平衡分数分布，其中分布估计的参数设定为 N=64（总专家数）、K=8（单 token 挑选专家数）、M=8（组数）、∣X∣=16（输入序列长度）。
通过可视化可观察到，传统 Top-K 路由易导致专家负载倾斜。这是基于 MoE 的大模型的行业痛点，负载不均衡导致硬件资源利用率低下，推理速度无法线性扩展，尤其在分布式训练和推理场景中难点加剧。
分组均衡路由
为了应对传统 Top-K 路由无序激活的难点，团队提出分组均衡路由的设计思想：强制每个 Token 在每个专家组内激活相同数量的专家（如每组激活 1 个专家，总激活数 = 组数 × 每组激活数），确保计算负载均匀分布。
实现细节如下：
专家均匀划分为 M 组（如 64 专家→8 组，每组 8 专家）；每组内独立进行 Top-K 路由（如每组 Top-2），全局激活数 = 组数 × 每组激活数。
分组均衡路由的优势包括：1）吞吐友好： 组间负载差异为 0，避免跨组通信瓶颈；2）动态扩展性：Batch Size 变化时负载均衡性稳定。
均衡辅助损失
团队采用 Batch 级辅助均衡辅助损失函数，其形式定义为：
其中超参数 α 控制辅助损失的强度。此处，f_i 表示批次 B 中被路由到专家 i 的 token 占比，p_i 则代表该专家在整个批次内的平均专家权重：
式中 I {⋅} 为指示函数，s_i,t 表示 token t 对专家 i 的门控得分。
架构仿真
基于分组均衡路由的 MoGE 模块，团队继续通过仿真设计出昇腾亲和的模型架构。在模型设计过程中，采用分层策略，通过从粗粒度到细粒度的渐进式调优，平衡昇腾 300I Duo 和 800I A2 平台上的精度与推理效率。
该策略包含三个阶段：首先，通过粗粒度筛选依据单服务器内存带宽和时延约束确定参数范围；其次，基于领域知识对潜在模型进行候选集缩减，缩小设计空间；最后，利用算子级仿真器评估候选模型性能。该仿真器关联系统硬件参数（如 TFLOPS、内存访问带宽、内存容量及互连拓扑），并自动搜索最优并行策略。
通过分层策略与细粒度仿真，下图中标橘黄色星的模型在指定条件下展现出对昇腾 300I Duo 和 800I A2 平台的最佳亲和性，本文即采用该组超参数配置。
推理性能
盘古 Pro MoE 在昇腾平台上实现了混合并行与通信优化等软硬协同的系统优化、量化压缩等算法优化、MulAttention 和 SwiftGMM 等高性能算子优化，在一系列模型和系统联合优化的推理加速技术加持下，显著提升了模型的推理效率。
在昇腾 300I Duo 平台的承认下，盘古 Pro MoE 单卡吞吐可达 201 tokens/s，并通过引入 MTP 解码和多 token 优化可进一步提升至 321 tokens/s，展现出百亿级大模型推理的极致性价比。
基于昇腾 800I A2 平台，在低并发场景下模型可实现毫秒级响应；在高并发条件下单卡吞吐可达 1148 tokens/s，结合 MTP 解码等联合优化可提升至 1528 tokens/s，性能大幅领先于同等规模的 320 亿和 720 亿参数稠密模型。
盘古 Pro MoE 全面赋能业务高效落地与大规模部署，助力各类应用场景实现高性能推理体验。
03
模型能力
业界公开测评
盘古 Pro MoE 基础模型在跨语言多领域基准测试中展现出色性能：英语能力涵盖通用推理、阅读理解及常识推理；逻辑推理能力覆盖代码生成和中英双语数学难点等；中文评估则包含知识问答和阅读理解等，全面验证模型在棘手认知任务上的通用性与领域适应性。
在监督微调与强化学习的双重优化下，盘古 Pro MoE 展现出卓越的棘手推理能力。
模型在多领域评测体系进行测试：通用能力涵盖英语与中文，代码能力依托 LiveCodeBench 实时编程及 MBPP+，数学推理则通过 AIME 竞赛题、MATH-500 难题及中国数学奥林匹克 (CNMO) 验证。
对比基线选取同规模前沿模型，包括开源的稠密模型 Qwen3-32B、GLM4-Z1-32B）及 MoE 模型（Llama4 Scout），盘古 Pro MoE 在棘手推理任务上展示出同规模最优的性能。
硬件效能革命
MoE 架构中的专家负载均衡与资源效率提升及模型行为稳定性增强相关。为探究此难点，本文对比分析了主流开源 MoE 模型 DeepSeek-V2 和盘古 Pro MoE 的专家负载分布。
如下图所示，DeepSeek-V2 存在显著失衡，负载最高的专家处理高达 30% 的总 token 量；呈现高度集中现象。相比之下，盘古 Pro MoE 展现出近乎均匀的分布特性，各专家处理 token 占比均约 12.5%，与理论理想值高度吻合。
这种均衡激活模式表明盘古 Pro MoE 对专家容量的高效利用，负载均衡对大规模 MoE 模型有助于实现高效可扩展性能。
04
行业价值让「大模型」回归实用场景
盘古 Pro MoE 的诞生，标志着大模型从「参数军备竞赛」转向「实效主义」：在企业级应用中，其动态负载均衡技术有效降低云端推理成本，支撑高并发实时场景；同时通过轻量化推理引擎适配华为昇腾系列芯片，赋能广大客户运行百亿级模型，为 AI 产业应用领域开辟新蓝海。
华为以硬核创新重新定义大模型的价值。盘古 Pro MoE
的发布，不仅是 AI 领域的一次范式革命，更将为全球企业供应「高效、普惠」的智能底座。即刻体验技术突破，携手华为共启智能新时代！
