Workspace IndexKnowledge Notes › Mixture of Experts — a model can carry 47 billion parameters and still compute with only 13 billion of them

#112Talk2026-09-21geminiconverseraw

Mixture of Experts — a model can carry 47 billion parameters and still compute with only 13 billion of them

Maarten Grootendorst, a data scientist known for the O'Reilly book *Hands-On Large Language Models* and his visual-guide blog series, published a roughly 20-minute video ("A Visual Guide to Mixture of Experts (MoE) in LLMs," 19:44) walking through how MoE replaces a Transformer's dense feed-forward layer with a set of specialised sub-networks and a router that picks a few of them per token. The core numbers: Mixtral 8x7B holds about 47 billion parameters in memory but only runs about 13 billion of them for any given token, because the router activates 2 of its 8 experts per layer. The video also covers the router's softmax-and-top-K math, the auxiliary loss that keeps experts from collapsing onto a favoured few, and the capacity limit that can cause tokens to be dropped.

For Jayverse this is the missing theory behind two earlier Tech items: #112 (MLX local AI) and #116 (local AI weights and quantization). It explains, in one architectural fact, why a model can feel fast to run and still refuse to fit on a Mac's unified memory — the two numbers that matter are different, and only one of them is the one you can budget against.

Why

A dense Transformer ties compute cost to total parameter count: every added parameter is activated for every token, so scaling the model scales latency and FLOPs in lockstep. MoE breaks that coupling. It lets a model hold far more total knowledge — more experts, each specialised on some slice of syntax or token pattern — while keeping the per-token compute close to that of a much smaller dense model, because only a handful of experts run on any given token. The failure this prevents is a purchasing or deployment mistake: judging a model's requirements by one parameter count when two different counts govern two different resources. VRAM has to hold every expert whether or not it is used this token; latency and FLOPs only care about the experts actually selected. Conflating the two is how a "13B-class" model turns out to need 47B worth of memory.

How it works

Dense FFN vs. sparse experts

In a standard decoder block, self-attention is followed by a feed-forward network (FFN) that every token passes through in full — compute is proportional to total model size. MoE replaces that single FFN with several parallel FFNs, the experts, each a complete but independent feed-forward network. A gating mechanism, the router, decides at each layer which experts a given token actually visits, so most of the network's weights sit idle for most tokens.

The router: logits, softmax, top-K

The router is a linear layer: it projects the token representation X through a weight matrix W to produce logits H(x) = X · W. A softmax turns these logits into a probability distribution G(x) over experts. In top-K routing, only the K highest-scoring experts keep a non-zero weight; every other expert's logit is masked to −∞ before the softmax, which drives its probability to zero. The layer's output is the weighted sum of the outputs of just the selected experts: Y = Σ G(x)_i · Expert_i(X) for i in the top-K set. A detail worth keeping: experts do not specialise into human-legible domains like "the medical expert" or "the code expert." Empirically they specialise in syntactic and token-level patterns — punctuation, verb forms, numeric tokens — not subject matter.

Keeping experts busy: load balancing

Left alone, training MoE models produces a "rich get richer" failure: an expert that gets a slightly better random start attracts more tokens from the router early on, gets more gradient updates, becomes more attractive to the router, and the rest starve. The fix is an auxiliary load-balancing loss added to the training objective, computed from the coefficient of variation (standard deviation over mean) of routing probabilities across experts — a high coefficient of variation means routing is uneven, and the loss penalises that. It's a governance mechanism baked into training, not a hyperparameter you tune once and forget.

Expert capacity and token dropping

Because GPU memory allocation has to be fixed ahead of time, each expert gets a hard capacity limit: C = (tokens / experts) × capacity factor. If more tokens route to an expert than its capacity allows in a batch, the overflow tokens either fall through to a secondary expert or bypass the FFN entirely via a residual connection — they get dropped from expert computation, not from the sequence. This is a real, if usually small, source of representational noise, and it is one reason routing entropy is worth monitoring during training.

Sparse vs. active parameters

This is the number that matters for deployment. "Sparse parameters" (or total parameters) is everything loaded into memory — every expert, used or not; for Mixtral 8x7B that's roughly 47B. "Active parameters" is what actually runs per token — for Mixtral, about 13B, since only 2 of 8 experts fire per layer. VRAM sizing is governed by the sparse count; inference latency and FLOPs are governed by the active count. The same architecture also extends past language: Soft-MoE applies the same idea to Vision Transformers, routing image patches to specialised encoders instead of discrete tokens.

Where it lands in Jayverse

  • alice / local AI: choose models by two numbers, not one. When picking a local model for the Mac (the #112/#116 thread), check both sparse (total, drives whether it fits in unified memory) and active (drives generation speed) parameter counts before downloading — a model advertised as fast because of a low active count can still be too large to load.
  • Auditor: an auxiliary loss is an encoded rule. The load-balancing loss is training-time enforcement of a fairness invariant across experts, the same shape as #67's "an invariant is a stop" — a rule that fires automatically rather than one a reviewer has to remember to check. Worth naming as a pattern the Auditor row should recognise even outside MoE: penalty terms that keep a system from drifting into an unbalanced state.
  • Knowledge Notes (Theory cross-link): softmax and coefficient of variation. Both are reusable primitives — softmax turns any score vector into a probability distribution (also used in attention), and coefficient of variation is a general dispersion metric for "how uneven is this allocation," useful anywhere load or resource distribution needs a single number.
  • Eng: a three-sentence interview answer. MoE replaces one big feed-forward layer with many small expert FFNs and a router that activates only the top-K per token; a router computes softmax(X·W) and masks the rest to −∞; the payoff is that a model can hold, say, 47B parameters in memory while only computing with about 13B per token, which is why Mixtral 8x7B is described as "a 47B model that runs like a 13B one."

Verified and unverified

Verified on 2026-09-21: Maarten Grootendorst co-authored Hands-On Large Language Models (O'Reilly, 2024) and writes a visual-guide blog series on ML topics. Mixtral 8x7B (Mistral AI, released December 2023) is a real sparse MoE model, documented at 46.7B total parameters and 12.9B active parameters per token (2 of 8 experts per layer) — close to the video's rounded "47B / 13B." The Switch Transformer (Fedus, Zoph, Shazeer, 2021) is the paper that introduced the capacity-factor formulation and an auxiliary load-balancing loss in this form; Shazeer et al. (2017) introduced sparsely-gated Mixture-of-Experts layers for neural networks, the lineage this design descends from. DeepSeek-V3 (671B total parameters, 37B active) is a current, real example of the same sparse/active split at much larger scale. GPT-4 being an MoE model is a persistent rumor in the field, not a confirmed architectural fact, and should be treated as such rather than cited as a MoE example.

Taken from the summary and not independently checked: the video's own framing and pacing, the exact claim that "experts specialise in syntactic rather than semantic patterns" as stated (this matches published MoE interpretability findings in general but was not re-verified against this specific video's sources), and the video's discussion of Soft-MoE for vision beyond the general fact that Soft-MoE exists as a published architecture (Puigcerver et al., 2023).

Sources: YouTube — Maarten Grootendorst, "A Visual Guide to Mixture of Experts (MoE) in LLMs" · Fedus, Zoph, Shazeer, "Switch Transformers," 2021 · Shazeer et al., "Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer," 2017 · Mistral AI, Mixtral 8x7B model card · related items: Tech #112 (MLX local AI), Tech #116 (local AI weights and quantization), Tech #63 (governed workflows: route, then act), Tech #96 (Homa — SRPT and priority queues, routing decisions by size), #67 (an invariant is a stop).

Key expressions

Words and phrases from this page worth keeping, with the Korean meaning and the sentence they come from.

Expression뜻 · 쓰이는 자리
Mixture of Experts (MoE)여러 전문화된 서브 네트워크와 라우터로 구성된 아키텍처 · 이 항목 전체의 주제. "how MoE replaces a Transformer's dense feed-forward layer"
dense (model)밀집(모든 파라미터가 매 토큰에 활성화되는 모델) · sparse와 대비되는 기준 아키텍처. "A dense Transformer ties compute cost to total parameter count"
feed-forward network (FFN)피드포워드 네트워크(트랜스포머 블록에서 어텐션 다음에 오는 층) · MoE가 대체하는 대상. "a feed-forward network (FFN) that every token passes through"
router / gating (mechanism)라우터 / 게이팅(토큰마다 어느 전문가를 쓸지 정하는 장치) · MoE의 핵심 구성요소. "A gating mechanism, the router, decides"
logits로짓(softmax 이전의 원점수) · 분류·라우팅에서 공통으로 쓰는 용어. "producing logits H(x) = X · W"
softmax점수 벡터를 확률 분포로 바꾸는 함수 · 라우팅과 어텐션 모두에 쓰이는 재사용 가능한 도구. "A softmax turns these logits into a probability distribution"
top-K routing상위 K개만 선택하는 라우팅 방식 · 나머지는 마스킹되어 계산에서 빠짐. "In top-K routing, only the K highest-scoring experts keep a non-zero weight"
masked to −∞음의 무한대로 마스킹(softmax 전에 로짓을 −∞로 만들어 확률을 0으로 만드는 방법) · top-K 구현의 표준 트릭. "every other expert's logit is masked to −∞"
load-balancing loss / auxiliary loss로드 밸런싱 손실 / 보조 손실(전문가 쏠림을 막는 학습 시 벌점 항) · Auditor 비유의 핵심. "an auxiliary load-balancing loss added to the training objective"
coefficient of variation변동 계수(표준편차/평균, 고르지 않음을 재는 지표) · 로드 밸런싱 손실 계산의 기반. "computed from the coefficient of variation... of routing probabilities"
rich get richer부익부(초기에 앞선 쪽이 계속 더 유리해지는 현상) · 로드 밸런싱이 막으려는 실패 모드를 부르는 관용구. "a 'rich get richer' failure"
expert capacity전문가 용량(한 배치에서 전문가가 받을 수 있는 토큰 수의 상한) · GPU 메모리를 고정 배정하기 위한 제약. "each expert gets a hard capacity limit"
capacity factor용량 계수(용량 공식의 배수 항) · Switch Transformer가 도입한 튜닝 파라미터. "C = (tokens / experts) × capacity factor"
token dropping토큰 드롭(용량 초과 시 토큰이 전문가 계산에서 빠지는 것) · 용량 제한의 직접적 결과. "overflow tokens either fall through... or bypass the FFN"
residual bypass잔차 우회(FFN을 건너뛰고 잔차 연결만 통과시키는 경로) · 드롭된 토큰의 대안 경로. "bypass the FFN entirely via a residual connection"
sparse parameterssparse 파라미터(모델에 로드된 전체 파라미터 수, 쓰이든 안 쓰이든) · VRAM 요구량을 정하는 숫자. "'Sparse parameters'... is everything loaded into memory"
active parametersactive 파라미터(토큰 하나당 실제로 실행되는 파라미터 수) · 지연 시간과 FLOPs를 정하는 숫자. "'Active parameters' is what actually runs per token"
VRAM그래픽 메모리(모델 가중치를 올려두는 GPU 메모리) · sparse 파라미터 수가 정하는 제약. "VRAM sizing is governed by the sparse count"
FLOPs초당 부동소수점 연산 수(연산량의 표준 단위) · active 파라미터 수가 정하는 비용. "inference latency and FLOPs are governed by the active count"
routing entropy라우팅 엔트로피(라우터가 전문가들에 얼마나 고르게 분산해서 배정하는지 재는 지표) · 학습 중 모니터링 대상. "one reason routing entropy is worth monitoring"
Soft-MoE소프트 MoE(비전 트랜스포머용 MoE 변형, 이미지 패치를 라우팅) · 텍스트 밖으로의 확장 사례. "Soft-MoE applies the same idea to Vision Transformers"

← All Knowledge Notes · Workspace Index · Top ↑

Mixture of Experts — 모델은 470억 파라미터를 메모리에 올려두고도 130억 파라미터만으로 계산할 수 있다

O'Reilly의 *Hands-On Large Language Models*를 공저했고 비주얼 가이드 블로그 시리즈로 알려진 데이터 사이언티스트 마르턴 흐로턴도르스트(Maarten Grootendorst)가 약 20분짜리 영상("A Visual Guide to Mixture of Experts (MoE) in LLMs", 19:44)에서 MoE가 트랜스포머의 dense 피드포워드 층을 여러 전문화된 서브 네트워크와, 토큰마다 그중 일부만 고르는 라우터로 어떻게 대체하는지 설명한다. 핵심 숫자는 이렇다. Mixtral 8x7B는 메모리에 약 470억 파라미터를 올려두지만, 각 층에서 8개 전문가 중 2개만 라우터가 활성화하기 때문에 토큰 하나당 실제로 계산하는 것은 약 130억 파라미터뿐이다. 영상은 라우터의 softmax-and-top-K 수식, 전문가가 소수에게 쏠리지 않게 막는 보조 손실(auxiliary loss), 토큰이 드롭될 수 있는 용량 한계도 함께 다룬다.

Jayverse에서 이것은 이전 Tech 항목 두 개, #112(MLX 로컬 AI)와 #116(로컬 AI 가중치와 양자화)의 빠진 이론이다. 모델이 실행은 빠르게 느껴지면서도 Mac의 통합 메모리에는 올라가지 않는 이유를 아키텍처 사실 하나로 설명한다. 중요한 숫자는 두 개이고, 예산을 세울 수 있는 것은 그중 하나뿐이다.

Dense 트랜스포머는 계산 비용을 전체 파라미터 수에 묶는다. 추가된 파라미터 하나하나가 모든 토큰에 대해 활성화되므로, 모델을 키우면 지연 시간과 FLOPs가 함께 늘어난다. MoE는 이 결합을 끊는다. 전문가마다 구문이나 토큰 패턴의 한 조각에 특화되게 하여, 모델이 훨씬 많은 총 지식을 담으면서도 토큰당 계산량은 훨씬 작은 dense 모델에 가깝게 유지할 수 있다. 어느 토큰이든 소수의 전문가만 실행되기 때문이다. 이것이 막는 실패는 구매나 배포 판단의 실수다. 서로 다른 두 자원을 지배하는 서로 다른 두 파라미터 수 중 하나만 보고 모델의 요구 사항을 판단하는 것. VRAM은 이번 토큰에 쓰이든 아니든 모든 전문가를 담고 있어야 하고, 지연 시간과 FLOPs는 실제로 선택된 전문가만 신경 쓴다. 이 둘을 혼동하면 "13B급"이라던 모델이 알고 보니 47B만큼의 메모리를 요구하는 일이 생긴다.

동작 방식

Dense FFN 대 sparse 전문가

표준 디코더 블록에서는 셀프 어텐션 다음에 피드포워드 네트워크(FFN)가 오고, 모든 토큰이 전부를 통과한다. 계산량은 전체 모델 크기에 비례한다. MoE는 이 단일 FFN을 여러 개의 병렬 FFN, 즉 전문가로 대체한다. 각 전문가는 완결되어 있지만 독립적인 피드포워드 네트워크다. 게이팅 메커니즘인 라우터가 각 층에서 주어진 토큰이 실제로 어느 전문가를 방문할지 정하므로, 네트워크 가중치 대부분은 대부분의 토큰에 대해 놀고 있다.

라우터: 로짓, softmax, top-K

라우터는 선형 층이다. 토큰 표현 X를 가중치 행렬 W로 투영해 로짓 H(x) = X · W를 만든다. softmax가 이 로짓을 전문가에 대한 확률 분포 G(x)로 바꾼다. top-K 라우팅에서는 점수가 가장 높은 K개 전문가만 0이 아닌 가중치를 유지하고, 나머지 전문가의 로짓은 softmax 전에 −∞로 마스킹되어 확률이 0으로 밀린다. 층의 출력은 선택된 전문가들의 출력만의 가중합이다. top-K 집합의 i에 대해 Y = Σ G(x)_i · Expert_i(X). 기억할 만한 디테일 하나: 전문가는 "의료 전문가"나 "코드 전문가"처럼 사람이 읽을 수 있는 분야로 특화되지 않는다. 경험적으로는 구두점, 동사 형태, 숫자 토큰 같은 구문·토큰 수준 패턴에 특화된다. 주제가 아니다.

전문가를 고르게 쓰게 하기: 로드 밸런싱

그냥 두면 MoE 모델 학습은 "부익부" 실패를 낳는다. 어떤 전문가가 무작위 초기화에서 약간 더 좋은 출발을 하면 초기에 라우터로부터 더 많은 토큰을 끌어오고, 더 많은 그래디언트 업데이트를 받고, 라우터에게 더 매력적으로 보이게 되며, 나머지는 굶는다. 해법은 학습 목적함수에 보조 로드 밸런싱 손실을 더하는 것이다. 이는 전문가 전체에 걸친 라우팅 확률의 변동 계수(표준편차를 평균으로 나눈 값)로 계산된다. 변동 계수가 크다는 것은 라우팅이 고르지 않다는 뜻이고, 손실이 이를 벌점으로 매긴다. 이것은 한 번 튜닝하고 잊는 하이퍼파라미터가 아니라 학습에 내장된 거버넌스 장치다.

전문가 용량과 토큰 드롭

GPU 메모리 할당은 미리 고정되어야 하므로, 각 전문가에는 엄격한 용량 한계가 주어진다. C = (토큰 수 / 전문가 수) × 용량 계수. 배치 안에서 한 전문가로 용량보다 더 많은 토큰이 라우팅되면, 넘친 토큰은 보조 전문가로 넘어가거나 잔차 연결을 통해 FFN 계산을 아예 건너뛴다. 시퀀스에서 빠지는 게 아니라 전문가 계산에서 빠지는 것이다. 이것은 보통 작지만 실제로 존재하는 표현 잡음의 원천이고, 학습 중 라우팅 엔트로피를 모니터링할 가치가 있는 이유 중 하나다.

Sparse 파라미터 대 active 파라미터

배포에서 중요한 숫자는 이것이다. "sparse 파라미터"(또는 전체 파라미터)는 쓰이든 안 쓰이든 메모리에 올라가는 모든 것이다. Mixtral 8x7B라면 대략 47B. "active 파라미터"는 토큰 하나당 실제로 실행되는 것이다. Mixtral의 경우 층마다 8개 중 2개 전문가만 발화하므로 약 13B. VRAM 크기는 sparse 수가 정하고, 추론 지연과 FLOPs는 active 수가 정한다. 같은 아이디어는 언어를 넘어서도 확장된다. Soft-MoE는 같은 아이디어를 비전 트랜스포머에 적용해, 개별 토큰 대신 이미지 패치를 특화된 인코더로 라우팅한다.

Jayverse에서의 위치

  • alice / 로컬 AI: 숫자 하나가 아니라 둘로 모델을 고른다. Mac용 로컬 모델을 고를 때(#112/#116 흐름) 다운로드 전에 sparse(전체, 통합 메모리에 들어가는지를 정함)와 active(생성 속도를 정함) 파라미터 수를 둘 다 확인한다. active 수가 낮아 빠르다고 홍보된 모델도 sparse 수 때문에 로드가 안 될 수 있다.
  • Auditor: 보조 손실은 코드화된 규칙이다. 로드 밸런싱 손실은 전문가 간 공정성 불변식을 학습 시점에 강제하는 장치로, #67의 "불변식은 정지 지점이다"와 같은 형태다. 리뷰어가 기억해서 체크하는 규칙이 아니라 자동으로 발동하는 규칙. Auditor 행이 MoE 밖에서도 인식해야 할 패턴이다. 시스템이 불균형 상태로 흘러가지 않게 막는 벌점 항.
  • Knowledge Notes(Theory 교차 링크): softmax와 변동 계수. 둘 다 재사용 가능한 기본 도구다. softmax는 어떤 점수 벡터든 확률 분포로 바꾼다(어텐션에서도 쓰인다). 변동 계수는 "이 배분이 얼마나 고르지 않은가"를 하나의 숫자로 주는 일반적인 분산 지표로, 부하나 자원 분배가 문제될 때 어디에나 쓸 수 있다.
  • Eng: 세 문장짜리 인터뷰 답변. MoE는 하나의 큰 피드포워드 층을 여러 개의 작은 전문가 FFN과, 토큰마다 top-K만 활성화하는 라우터로 대체한다. 라우터는 softmax(X·W)를 계산하고 나머지는 −∞로 마스킹한다. 그 결과 모델은 예컨대 47B 파라미터를 메모리에 담고도 토큰당 약 13B만으로 계산할 수 있고, 이것이 Mixtral 8x7B가 "13B처럼 돌아가는 47B 모델"로 불리는 이유다.

확인된 것과 미확인

2026-09-21 확인: 마르턴 흐로턴도르스트는 Hands-On Large Language Models(O'Reilly, 2024)를 공저했고 ML 주제의 비주얼 가이드 블로그 시리즈를 쓴다. Mixtral 8x7B(Mistral AI, 2023년 12월 출시)는 실제 sparse MoE 모델로, 전체 46.7B 파라미터에 토큰당 12.9B active 파라미터(층마다 8개 중 2개 전문가)로 문서화되어 있다. 영상이 반올림한 "47B / 13B"와 가깝다. Switch Transformer(Fedus, Zoph, Shazeer, 2021)는 이런 형태의 용량 계수 공식과 보조 로드 밸런싱 손실을 도입한 논문이다. Shazeer 외(2017)는 이 계보가 시작된, 신경망을 위한 sparsely-gated Mixture-of-Experts 층을 도입했다. DeepSeek-V3(전체 671B, active 37B)는 같은 sparse/active 구분이 훨씬 큰 규모에서 실재하는 현재 예시다. GPT-4가 MoE라는 것은 업계에서 꾸준히 도는 루머이지 확인된 아키텍처 사실이 아니며, MoE 예시로 인용하기보다는 루머로 다뤄야 한다.

강연 요약에서 가져왔고 독립 확인하지 않은 것: 영상 자체의 구성과 전개, "전문가는 의미가 아니라 구문에 특화된다"는 서술이 정확히 이 영상의 출처를 재검증한 것은 아니라는 점(일반적인 MoE 해석가능성 연구 결과와는 부합한다), 그리고 Soft-MoE가 발표된 아키텍처로 실재한다는 사실 외에 영상이 다룬 비전 확장 논의의 세부.

출처: YouTube — 마르턴 흐로턴도르스트, "A Visual Guide to Mixture of Experts (MoE) in LLMs" · Fedus, Zoph, Shazeer, "Switch Transformers," 2021 · Shazeer 외, "Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer," 2017 · Mistral AI, Mixtral 8x7B 모델 카드 · 관련 항목: Tech #112(MLX 로컬 AI), Tech #116(로컬 AI 가중치와 양자화), Tech #63(거버넌스 워크플로: 경로를 정하고 실행한다), Tech #96(Homa — SRPT와 우선순위 큐, 크기에 따른 라우팅 결정), #67(불변식은 정지 지점이다).

핵심 표현

이 페이지의 영어 본문에서 배울 만한 단어와 표현, 뜻과 나온 자리.

Expression뜻 · 쓰이는 자리
Mixture of Experts (MoE)여러 전문화된 서브 네트워크와 라우터로 구성된 아키텍처 · 이 항목 전체의 주제. "how MoE replaces a Transformer's dense feed-forward layer"
dense (model)밀집(모든 파라미터가 매 토큰에 활성화되는 모델) · sparse와 대비되는 기준 아키텍처. "A dense Transformer ties compute cost to total parameter count"
feed-forward network (FFN)피드포워드 네트워크(트랜스포머 블록에서 어텐션 다음에 오는 층) · MoE가 대체하는 대상. "a feed-forward network (FFN) that every token passes through"
router / gating (mechanism)라우터 / 게이팅(토큰마다 어느 전문가를 쓸지 정하는 장치) · MoE의 핵심 구성요소. "A gating mechanism, the router, decides"
logits로짓(softmax 이전의 원점수) · 분류·라우팅에서 공통으로 쓰는 용어. "producing logits H(x) = X · W"
softmax점수 벡터를 확률 분포로 바꾸는 함수 · 라우팅과 어텐션 모두에 쓰이는 재사용 가능한 도구. "A softmax turns these logits into a probability distribution"
top-K routing상위 K개만 선택하는 라우팅 방식 · 나머지는 마스킹되어 계산에서 빠짐. "In top-K routing, only the K highest-scoring experts keep a non-zero weight"
masked to −∞음의 무한대로 마스킹(softmax 전에 로짓을 −∞로 만들어 확률을 0으로 만드는 방법) · top-K 구현의 표준 트릭. "every other expert's logit is masked to −∞"
load-balancing loss / auxiliary loss로드 밸런싱 손실 / 보조 손실(전문가 쏠림을 막는 학습 시 벌점 항) · Auditor 비유의 핵심. "an auxiliary load-balancing loss added to the training objective"
coefficient of variation변동 계수(표준편차/평균, 고르지 않음을 재는 지표) · 로드 밸런싱 손실 계산의 기반. "computed from the coefficient of variation... of routing probabilities"
rich get richer부익부(초기에 앞선 쪽이 계속 더 유리해지는 현상) · 로드 밸런싱이 막으려는 실패 모드를 부르는 관용구. "a 'rich get richer' failure"
expert capacity전문가 용량(한 배치에서 전문가가 받을 수 있는 토큰 수의 상한) · GPU 메모리를 고정 배정하기 위한 제약. "each expert gets a hard capacity limit"
capacity factor용량 계수(용량 공식의 배수 항) · Switch Transformer가 도입한 튜닝 파라미터. "C = (tokens / experts) × capacity factor"
token dropping토큰 드롭(용량 초과 시 토큰이 전문가 계산에서 빠지는 것) · 용량 제한의 직접적 결과. "overflow tokens either fall through... or bypass the FFN"
residual bypass잔차 우회(FFN을 건너뛰고 잔차 연결만 통과시키는 경로) · 드롭된 토큰의 대안 경로. "bypass the FFN entirely via a residual connection"
sparse parameterssparse 파라미터(모델에 로드된 전체 파라미터 수, 쓰이든 안 쓰이든) · VRAM 요구량을 정하는 숫자. "'Sparse parameters'... is everything loaded into memory"
active parametersactive 파라미터(토큰 하나당 실제로 실행되는 파라미터 수) · 지연 시간과 FLOPs를 정하는 숫자. "'Active parameters' is what actually runs per token"
VRAM그래픽 메모리(모델 가중치를 올려두는 GPU 메모리) · sparse 파라미터 수가 정하는 제약. "VRAM sizing is governed by the sparse count"
FLOPs초당 부동소수점 연산 수(연산량의 표준 단위) · active 파라미터 수가 정하는 비용. "inference latency and FLOPs are governed by the active count"
routing entropy라우팅 엔트로피(라우터가 전문가들에 얼마나 고르게 분산해서 배정하는지 재는 지표) · 학습 중 모니터링 대상. "one reason routing entropy is worth monitoring"
Soft-MoE소프트 MoE(비전 트랜스포머용 MoE 변형, 이미지 패치를 라우팅) · 텍스트 밖으로의 확장 사례. "Soft-MoE applies the same idea to Vision Transformers"

← 전체 기술 노트 · 워크스페이스 인덱스 · 맨 위 ↑