近年來隨著大語言模型的爆火，旨在取代 Transformer 的高效模型架構及其預訓練成為大模型領域的研究熱點，主要包括線性序列建模（如 Linear Attention、SSM、Linear RNN 等）和混合專家（Mixture-of-Experts, MoE）兩部分。這兩部分分別都有了長足的進步，但兩者的結合卻鮮少有人研究，兩者結合后的 Linear-MoE 架構開源實現更是完全缺失。

值得一提的是，近期廣受好評的 MiniMax-01 模型（使用 Lightning Attention-MoE）和騰訊混元 TurboS 模型（使用 Mamba2-MoE）均屬于 Linear-MoE 架構。

來自上海人工智能實驗室團隊的最新成果 Linear-MoE，首次系統性地實現了線性序列建模與 MoE 的高效結合，并開源了完整的技術框架，包括 Modeling 和 Training 兩大部分，并支持層間混合架構。為下一代基礎模型架構的研發提供了有價值的工具和經驗。

• 論文標題：Linear-MoE: Linear Sequence Modeling Meets Mixture-of-Experts
• 論文地址：https://arxiv.org/abs/2503.05447
• 項目地址：https://github.com/OpenSparseLLMs/Linear-MoE

線性序列建模的崛起

過去兩年，線性序列建模技術取得了顯著進展，其核心優勢在于線性時間復雜度的訓練和恒定內存占用的推理。

這類模型主要分為三大類：線性注意力（Linear Attention）、狀態空間模型（SSM）和線性 RNN（Linear RNN），代表性工作包括 Lightning Attention、GLA、Mamba2、RWKV 等。

已有研究工作表明，這些模型實際上可以通過統一的遞歸形式進行表達，如下表所示。這也反映出，盡管三類方法分別出自不同的技術流派，但已逐漸收斂至統一的表達形式。

混合專家 MoE 成為事實標準

另外一方面，從國際上的 GPT-4 系列、Gemini 系列、Claude 系列到國內的 DeepSeek 系列、Qwen 系列、騰訊混元 LLM、字節豆包、MiniMax-01、Moonshot-Kimi 等，都在步伐一致地 All in MoE。其重要性不言而喻，本文不做過多展開。

Linear-MoE：模型架構與高效訓練

Linear-MoE 的核心貢獻在于構建了一個從 Modeling 到 Training 的完整系統，支持線性序列建模層與 MoE 層的靈活組合，同時兼容傳統的 Softmax Attention Transformer 層，支持形成混合架構。其設計亮點包括：

• 模塊化架構：

• LSM 層（線性序列建模層）：支持各類線性序列建模方法（如 Lightning Attention、Gated-DeltaNet、Mamba2 等）。
• MoE 層：集成多種 MoE 實現（如 Qwen-MoE、DeepSeek-MoE、Mixtral-MoE），以及一種 Dense 實現（Llama3）。
  

• 高效訓練技術：

• 基于 Megatron-Core 框架開發，確保系統穩定性和可擴展性。
• 支持張量并行、流水線并行、專家并行、LASP（線性注意力序列并行）和 MegaBlocks 等優化技術，顯著提升訓練效率。

實驗驗證

大規模實驗驗證了 Linear-MoE 的優越性：

• 訓練穩定：混合模型（線性 + Softmax Attention）比純線性模型表現出更穩定的訓練曲線。
• 訓練效率：借助專家并行和 MegaBlocks，系統在超大參數規模下仍保持高吞吐量。
• 推理優勢：線性模型的推理速度比傳統架構快 2-5 倍，內存占用降低 50% 以上。
• 性能擴展：在不同規模的基準測試中，Linear-MoE 展現出良好的性能線性增長。

開源生態與未來展望

目前 Linear-MoE 已全面開源，支持多種主流的線性序列建模方法和 MoE 實現。這一工作不僅填補了線性建模與 MoE 結合的技術空白，還為社區提供了可復現的高效訓練方案。未來將進一步探索 Linear-MoE 在長上下文理解、Vision-Language 模型架構中的應用潛力。