混合专家（MoE）模型详解：本地 AI 2026

作者： Jakub Rusinowski · 最后更新： 2026年7月12日

最后更新：2026 年 5 月 —— MoE（混合专家）架构是 2026 年一些最激动人心模型的幕后功臣：Llama 4、DeepSeek V3、Qwen 3 MoE 以及 Gemma 4。理解 MoE 有助于你选对模型并更有效地管理显存。

本指南内容

什么是混合专家？
MoE 模型为何令人兴奋
2026 年的主要 MoE 模型
显存 vs 计算：MoE 的权衡
何时选 MoE 而非密集模型
高效运行 MoE 模型
MoE 与上下文长度
常见问答

最后更新：2026 年 5 月 —— MoE（混合专家）架构是 2026 年一些最激动人心模型的幕后功臣：Llama 4、DeepSeek V3、Qwen 3 MoE 以及 Gemma 4。理解 MoE 有助于你选对模型并更有效地管理显存。

什么是混合专家？

在传统的"密集（dense）"LLM 中，每个 token 都会激活全部参数。而在混合专家模型中，架构被拆分为许多专门的子网络（即"专家"），每个 token 只激活其中一小部分：

密集模型（如 Llama 3.1 8B）：

每个 token 激活全部 80 亿参数
每一层都完整参与每一次计算

MoE 模型（如 Qwen 3.5 35B-A3B）：

内存中存储 350 亿总参数
每个 token 只激活约 30 亿参数（"A3B" = 激活 3B）
一个路由网络为每个 token 选择由哪 2–4 个专家来处理

MoE 模型为何令人兴奋

关键洞察：你存储更多知识（更多总参数），但只支付更小模型的计算成本。

属性	密集 7B	MoE 35B-A3B
总参数	7B	35B
每 token 激活参数	7B	~3B
所需显存（Q4）	~5 GB	~20 GB
推理速度（token/秒）	60 t/s（RTX 4090）	25–35 t/s（RTX 4090）
知识/能力	7B 水平	约等于 25–30B
推理质量	良好	明显更好

你以大约 7B 模型的推理成本，获得了 35B 模型的知识——代价是更多显存。

2026 年的主要 MoE 模型

Llama 4 Scout（17B 激活 / 109B 总）

激活参数： 每 token 17B
总参数： 分布于 16 个专家的 109B
显存（Q4）： ~10.5 GB
最适合： 编程、推理任务——你想要超过 8B 的质量，又不想上 70B 的硬件
上下文： 128k token

ollama run llama4:scout

Llama 4 Maverick（17B 激活 / 400B 总）

激活参数： 每 token 17B
总参数： 分布于众多专家的 400B
显存（Q4）： ~24 GB（刚好装入 RTX 4090）
最适合： 拥有 24GB 显存、想要接近 70B 质量的用户
值得注意： 强大的多模态能力

ollama run llama4:maverick

Qwen 3.5 35B-A3B

激活参数： 每 token 3B
总参数： 35B
显存（Q4）： ~20 GB
速度： RTX 4090 上约 30 t/s（尽管总体量大仍很快）
最适合： 拥有 24GB GPU、追求最佳质量/速度平衡的用户

DeepSeek V3.2（685B 总，37B 激活）

旗舰级开放权重 MoE 模型
显存： 总计约 370 GB——只有通过云或多 GPU 集群才可行
速度： 由于激活参数少，在大型集群上运行高效
可通过 DeepSeek API 或云 GPU 租用获得

Gemma 4 26B-A4B

谷歌在 Gemma 4 系列中的 MoE 之作
激活： 26B 总参数中每 token 激活 4B
显存（Q4）： ~16 GB（可装入 RTX 4060 Ti 16GB）
出色的多模态支持

Mixtral 8x7B（经典）

最早被广泛采用的 MoE 模型：

8 个专家，每 token 激活 2 个
约 26B 总参数，约 13B 激活显存
显存：Q4 下约 14GB（适合双 GPU 配置或 16GB 显卡）
在许多任务上仍有竞争力

显存 vs 计算：MoE 的权衡

MoE 模型有着不寻常的显存特征：

密集 Llama 3.1 70B Q4：
  显存：40 GB（必须装下全部权重）
  每 token 计算：70B 次运算
  典型速度：RTX 4090 上 5-8 t/s

MoE Llama 4 Scout Q4：
  显存：10.5 GB（所有专家仍被加载）
  每 token 计算：17B 次运算
  典型速度：RTX 4090 上 25-35 t/s

MoE Llama 4 Maverick Q4：
  显存：24 GB（所有专家仍被加载）
  每 token 计算：17B 次运算
  典型速度：RTX 4090 上 15-25 t/s

关键洞察： MoE 降低的是计算量（速度），而不是显存——即使每个 token 只用 2–4 个专家，所有专家也都必须加载进内存。一个 685B 的 MoE 模型仍需约 370GB 显存，尽管每 token 只运行 37B 参数。

何时选 MoE 而非密集模型

在以下情况选 MoE：

你有足够显存来加载整个模型
你想从硬件中榨取最强能力
你在做批量推理，吞吐量不如质量重要
你需要比同等显存密集模型更强的推理

在以下情况选密集模型：

显存吃紧——密集模型更可预测
你需要最高的 token/秒（交互式聊天）
你在做微调（MoE 更难微调）
你想要磁盘上更小的模型总存储

高效运行 MoE 模型

Ollama 会自动处理 MoE 模型。一些提示：

# Check available VRAM before loading large MoE
ollama list

# For Llama 4 Scout (10.5GB) on an 8GB card - it will CPU offload
# Force full GPU offload if you have enough VRAM
OLLAMA_NUM_GPU=99 ollama run llama4:scout

# For Qwen 3.5 35B-A3B on RTX 4090 24GB:
ollama run qwen3.5:35b-a3b-q4_K_M

MoE 与上下文长度

MoE 模型往往拥有非常大的上下文窗口（因为该架构扩展性良好）：

模型	上下文窗口
Llama 4 Scout	128k token
Llama 4 Maverick	128k token
DeepSeek V3.2	128k token
Qwen 3.5 35B-A3B	32k token
Gemma 4 26B-A4B	128k token

大上下文 + MoE 高效 = 非常适合 RAG、文档分析和长文本任务。

常见问答

Ollama 会自动支持 MoE 模型吗？ 会——Ollama 通过 llama.cpp 透明地处理 MoE 模型。你不需要任何特殊配置。

MoE 对我的用例比密集模型更好吗？ 对于大多数交互式聊天任务，密集 8B 模型更快。对于你能等待每次响应 2–3 秒的复杂推理，同等显存预算下的 MoE 模型会给出更好的答案。

我能微调 MoE 模型吗？ 技术上可以，用 LLaMA-Factory 之类的框架，但更复杂。LoRA 微调可行，但需要谨慎处理专家路由。大多数用户还是选择微调密集模型。

如果 685B 模型只激活 37B，为什么还需要 370GB 显存？ 所有专家权重矩阵都必须在显存中，路由器才能从中选择。你无法预先知道会选中哪些专家，所以必须全部加载。这是 MoE 根本性的内存约束。