該框架的研究致力于解決兩大難題——專家負載不均及較大的計算通信開銷，并通過“三步走”成功實現了推理性能的優化。為了讓模型在并行推理時能更合理地分配資源，團隊首先從專家選擇的規律入手，通過分析相似 token 在 MoE 層選擇專家的特征并歸類，成功預測出token的專家選擇路徑偏好。
接著便是解決推理過程中的專家負載不均衡問題。團隊依據token對專家選擇偏好的預測結果，精準判斷出專家動態訪問的頻率和重要性，通過復制高頻專家、替換非重要專家的方式實現了負載平衡。其中昇騰推理引擎MindIE提供的性能分析工具可實現性能數據的可視化，在實時監測專家負載、統計訪問頻率等方面提供數據參考，發揮了重要作用。
降低分布式計算的通信時延是第三步。團隊根據計算節點上的數據對專家選擇的預測結果，將專家提前部署到對應的節點上，并聯合需要緊密協作的專家放在同一計算單元，讓數據與所需專家在物理位置上更接近，同時結合昇騰384超節點采用的高速總線互聯技術，最終大幅降低了跨節點和跨計算單元的通信消耗。
在系列技術突破下，此次項目成果顯著?；谠搫撔驴蚣?，在多尺寸、多結構的 MoE 模型中，推理時間、all2all 時間、MoE 層時間及負載不均分數較現有主流方案提升超 30%；多卡復雜場景里，前三項指標提升 30%，推理時間提升 20%。
本次項目的成果，為開發者借助昇騰技術優化 MoE 稀疏大模型推理性能提供了可貴借鑒，將加速其在各領域的落地應用。未來，中國科學技術大學 鯤鵬昇騰科教創新卓越中心將持續深化產學研協同創新，依托昇騰軟硬件平臺，在前沿AI模型優化領域持續突破，為自主創新人工智能戰略與數字經濟發展貢獻力量。
