阿里未来生活实验室 投稿

量子位 | 公众号 QbitAI

MoE（混合专家模型）已经成为大模型时代的“版本答案”。

从GPT-5到DeepSeek-V3，几乎所有最强模型背后都有MoE的影子。

但你是否想过：你模型里那几十个“专家”，可能都在干同一件事？

在MoE预训练中，原本期望这些专家“各司其职”，最后发现他们竟然“同质化”了？学术界将这种现象称为“专家同质化”（Expert Homogenization）。这直接导致了MoE模型参数的浪费和Scaling能力的封顶。

来自阿里巴巴未来生活实验室的研究团队认为，这背后是MoE预训练过程中的信息缺失。

为了解决这一顽疾，来自阿里巴巴集团的研究团队提出了一种全新的专家分化学习（Expert Divergence Learning）策略。他们利用预训练数据中天然存在的“领域标签”，设计了一种新的辅助损失函数，鼓励不同领域的Token在路由统计信息上表现出差异，从而引导专家分化出真正的专业能力。

这一研究（Expert Divergence Learning for MoE-based Language Models）已中稿ICLR 2026。

核心洞察：多样性≠有效分工

为什么传统的MoE训练会导致专家同质化？团队在论文中揭示了一个被长期忽视的数学盲区。

现有的负载均衡损失（Load-Balancing Loss）虽然能提高总的路由多样性（Total Divergence），但它是一种“盲目”的提升。它只在乎“所有专家都被用到了”，却不在乎“是被谁用到的”。

这就好比公司发奖金，只看大家是不是都忙起来了，却不管是不是所有人都在重复造轮子。

阿里团队提出，真正的专家化，应该建立在“领域差异”之上。需要将总的路由多样性，通过数学手段引导到“域间差异”（Inter-Domain Divergence）上。

基于此，他们提出了专家分化学习（Expert Divergence Learning）。

硬核方法论：如何在预训练中强迫专家“分家”？

为了打破僵局，阿里团队提出了一种纯粹的、即插即用的训练目标函数——专家分化损失（Expert Divergence Loss, LED）。

它的设计灵感来源于一个优美的数学直觉：MoE的路由多样性是可以被“解构”的。

数学原理：多样性分解定理（Divergence Decomposition）

论文在理论部分使用了一个关键公式：

总多样性(Dtotal) =域间多样性(Dinter) +域内多样性(Dintra)

传统做法的缺陷：以前的负载均衡Loss只是盲目地推高左边的Dtotal。但在缺乏引导的情况下，模型倾向于通过增加Dintra（让同一个领域的Token乱跑）来应付考试，而不是增加Dinter（让不同领域的Token分开跑）。

新方法的Insight：LED的本质，就是精准锁定并最大化Dinter。它通过最大化不同领域之间的“排斥力”，分配总多样性的额度给“域间差异”，从而迫使专家发生功能分化。

几何直观：把专家“推”向边缘

这个Loss的计算过程可以拆解为三步：

第一步：从Token到领域（Aggregation）在训练过程中，模型通常会接收到不同来源的数据（如数学题、代码片段、新闻）。算法首先计算出当前Batch中，属于“数学域”的所有Token的平均路由分布，以及属于“代码域”的平均路由分布。

第二步：计算“排斥力”（Divergence Computation）有了不同领域的平均路由分布，如何衡量它们的差异？团队选择了JS散度（Jensen-Shannon Divergence）。

JS散度是对称且有界的，非常适合用来衡量两个概率分布的“距离”。

• 如果“数学专家组”和“代码专家组”的人员构成高度重叠，JS散度就会很低。

• 如果它们使用的是两套完全不同的人马，JS散度就会很高。

第三步：最大化差异（Optimization）LED的最终目标，就是最大化所有领域对之间的JS散度。

这相当于给梯度下降过程施加了一个强大的“排斥力”：“数学题正在往1号专家那里跑，那么写代码的Token请尽量离1号专家远一点！”

通过这种显式的监督信号，模型不再是随机地分配专家，而是被迫学习出一种与语义高度对齐的路由策略。

粒度实验：49类标签>3类标签

这种分化学习，分得越细越好吗？

为了验证这一点，研究团队构建了两种不同粒度的领域标签体系：

1. 粗粒度（3-Class）：简单分为英文、中文、数学。

2. 细粒度（49-Class）：利用分类器将数据细分为49个具体主题（如物理、历史、计算机科学、法律、医学等）。

后续实验结果呈现出明显的“粒度缩放定律”：使用49类细粒度标签训练的模型，性能显著优于使用3类标签的模型。

这说明，给专家的分工指令越具体（例如：“不仅要区分文理，还要区分物理和化学”），MoE模型涌现出的专业能力就越强。

实验实锤：SOTA性能与可视化证据

研究团队在3B、8B、15B三种规模上，进行了长达100B Tokens的从零预训练（Training from scratch）。

在预训练阶段最重要的训练损失对比上，专家分化学习在语言建模损失上展现出来稳定且显著的训练收益。

全面超越基线在MMLU、C-Eval、CMMLU、ARC等7个主流基准测试中，搭载了专家分化学习的模型全面超越了标准MoE基线。特别是在15B模型上，细粒度策略带来的平均分提升超过1个百分点——在预训练领域，这通常意味着数百亿Token的训练差距。

可视化：一眼看穿“伪专家”与“真专家”

为了直观展示专家是否真的“分家”了，团队绘制了极具说服力的三角单纯形图（Ternary Simplex Plot）。

下图中，三角形的三个顶点分别代表“数学”、“中文”、“英文”三个纯粹领域。

左图（Baseline）：所有的点都挤在三角形中间。这说明无论输入什么领域，激活的专家都差不多，专家是混日子的“通用工”。

右图（Ours）：点明显向三角形的三个顶点发散，紧贴边缘。这证明处理数学的专家、处理中文的专家，已经是两拨完全不同的人马，实现了真正的专精特新。

不仅效果好，还省资 源值得一提的是，LED计算非常轻量级，仅涉及Router输出的低维向量运算。实验数据显示，相比标准MoE，新方法的训练吞吐量几乎没有下降（TPS保持一致），且额外推理成本为零。

总结

阿里团队的这项工作（Expert Divergence Learning），并没有盲目地堆砌算力或修改模型架构，而是从损失函数的数学本质入手，重新思考了MoE的“专家”定义。

它证明了：利用数据中天然存在的“领域结构”作为监督信号，是挖掘MoE潜力的最高效途径。同时，这种充分挖掘语料“立体结构信息 ”的训练范式，在高质量数据日趋枯竭的今天，或许能帮助预训练突破瓶颈，走向一个新的Scaling维度。