清华团队革新MoE架构！像搭积木一样构建大模型，提出新型类脑稀疏模块化架构

文章预览

CFM团队 投稿 量子位 | 公众号 QbitAI 探索更高效的模型架构， MoE是最具代表性的方向之一。 MoE架构的主要优势是利用稀疏激活的性质，将大模型拆解成若干功能模块，每次计算仅激活其中一小部分，而保持其余模块不被使用，从而大大降低了模型的计算与学习成本，能够在同等计算量的情况下产生性能优势。 然而，此前像MoE等利用稀疏激活性质的研究工作，都认为大模型需要在预训练阶段就额外引入模块化结构约束。 如今，来自清华的一项最新研究打破了以上思维定式，并将MoE架构进行了革新。 具体而言，研究人员受启发于人脑高效的稀疏模块化架构，在论文《Configurable Foundation Models: Building LLMs from a Modular Perspective》中提出了一种类脑高效稀疏模块化架构： Configurable Foundation Model 。 该架构将大模型的模块拆分为预训练阶段产生的涌现模块（Emerg ………………………………