稀疏混合专家模型（SMoE）就像一个有数百个专家的咨询公司。每次处理问题，只需要几个专家出马，但所有专家的办公室都得租着，工资都得照付。虽然计算成本可控，但内存开销却居高不下。
Cerebras Research提出了REAP (Router-weighted Expert Activation Pruning) 框架，通过专家剪枝和合并技术来压缩SMoE模型，声称能够让模型"瘦身"的同时保持性能。比如Qwen3-Coder-30B经过REAP处理后变成25B，体积减少了约17%。省出来的显存可以用更高精度的量化，或者支持更长的上下文窗口。它的思路也好理解：既然有些专家经常闲着，那就把他们暂时"裁掉"。但这里有个有趣的发现——直接删除专家比合并专家效果更好。
为什么合并专家会出问题？
传统思路是把相似的专家合并成一个，听起来很合理。但REAP团队发现了一个关键问题：专家合并会导致"功能子空间塌陷"。所谓“功能子空间坍塌”是指MoE层中的多个专家学习到占用激活空间中重叠或高度相似区域的现象。
说人话就是，路由器原本能根据不同输入灵活调配专家，合并后这种灵活性就没了。就像把几个不同领域的顾问强行合并成一个人，表面上节省了人力，但处理复杂问题的能力大打折扣。
REAP怎么做剪枝？
REAP的创新在于它的判断标准：不只看专家被用了多少次，还要看路由器对它们的"信任度"和激活强度。系统会实时评估每个专家的贡献度，把那些对当前任务帮助最小的专家从内存中移除。
这个判断过程涉及"路由器门值"和"专家激活范数"。前者是系统对专家有用程度的评分，后者是专家工作时的活跃度。说白了就是看谁最没用。
支持哪些模型？
REAP支持全面的 SMoE 架构：
每种模型的专家数量和架构都不同，但REAP都能处理。这得益于其模块化设计——观察者系统负责收集数据，聚类算法分析专家相似性，剪枝模块执行删除操作。
实际效果如何？
数据很亮眼：在保持99%模型性能的前提下，内存占用能减少50%。在编程、数学推理和创意写作任务上表现尤其突出。
这对那些买不起顶配服务器的公司意义重大。原本需要几百GB内存才能跑的模型，现在用一半内存就够了。团队还在HuggingFace上提供了预训练的压缩版本，比如Qwen3-Coder-REAP-246B-A35B-FP8，可以直接下载使用。
不过，社区对其结果也有不同声音，有人选了两个能在RTX 5090上完整跑起来的模型做对比：
- 标准版 ：Unsloth的Qwen3-Coder-30B-A3B-Instruct，用UD-Q6_K_XL量化
- REAP版 ：bartowski的Qwen3-Coder-REAP-25B-A3B，用Q8_0量化
测试工具用的是aider polyglot基准，每个模型跑3轮，每轮225个测试案例。
结果有点打脸：
| 指标 | Unsloth标准版 | REAP版 | | --- | --- | --- | | 第一轮通过率 | 12.0% | 10.1% | | 第一轮标准差 | 0.77% | 2.45% | | 第二轮通过率 | 29.9% | 28.0% | | 第二轮标准差 | 1.56% | 2.31% |
两个模型的平均表现基本打平，差异在统计误差范围内。更有意思的是，REAP版本虽然用了更高精度的Q8量化，但结果波动性反而更大。当然，需要指出的是，不同量化版本本身对于比较来讲会有一定的不可比性。
动态调整的智慧
REAP最聪明的地方在于动态评估。今天用不上的专家，明天可能就是关键角色。系统不会一刀切地删除某些专家，而是根据具体任务实时调整专家组合。
这有些印证了机器学习里的"彩票假说"。大部分神经网络确实有冗余，关键是找到那个"中奖"的子网络。但REAP更进一步，它不是静态地找最优子网络，而是动态地适应不同任务需求。
还有哪些问题？
框架已经开源，支持PyTorch和JAX平台。团队下一步要研究跨任务专家共享——让专家们身兼数职，进一步榨取价值。
但有个问题值得思考：频繁的专家调度会不会带来额外的计算开销？毕竟，判断谁该走谁该留，本身也需要时间和计算资源。对于那些对延迟敏感的实时应用，这个trade-off需要仔细权衡。
另外，虽然50%的内存节省很诱人，但在极端压缩场景下，模型的泛化能力是否会受影响？这些都是实际部署时需要考虑的问题。
不过不管怎么说，REAP至少证明了一点：有时候做减法比做加法更有效。在资源有限的现实世界里，这种思路可能比追求更大更复杂的模型更有价值。
参考 ：https://zread.ai/CerebrasResearch/reap
关注公众号回复“进群”入群讨论。