RMS-MoE路由记忆机制解析：如何通过检索协同实现高效专家调度

随着大模型参数规模不断攀升，混合专家（MoE）架构因其稀疏激活特性，成为平衡模型容量与计算开销的主流方案。但在实际高并发Web服务场景中，一个根本性挑战日益凸显：标准MoE的路由机制通常是“无状态”的。

在搜索引擎、智能问答或对话系统中，用户请求并非孤立事件。大量查询在语义和结构上存在高度重复。然而，传统路由器每次面对新输入，都需要重新计算专家分配。这意味着，即使模型刚刚高效处理过一个极其相似的问题，当下次遇到同类请求时，整个路由决策流程仍需从头开始。

这种“即时路由”模式会引发一系列系统性问题：首先是计算冗余，导致不必要的推理延迟与资源消耗；其次是路由决策波动，语义相近的输入可能激活截然不同的专家子集，影响输出稳定性；更深层地，专家之间形成的有效协作模式无法被沉淀和复用，模型每次都在进行单次探索，而非借鉴历史经验。

针对这一核心瓶颈，来自马上消费金融、南京航空航天大学与阿里巴巴的研究团队提出了创新解决方案——RMS-MoE（检索-记忆协同混合专家）。这项研究的核心突破在于，将MoE路由从一个静态的分类任务，重新定义为动态的“检索-记忆-融合”过程。模型不再单纯依赖路由器的瞬时判断，而是会从历史记忆中检索相似输入曾使用过的高效专家组合，并将其与当前路由输出进行智能融合。

论文标题：Rethinking MoE with Retrieval-Memory Synergy: Towards Efficient Expert Coordination
会议：The ACM Web Conference 2026（WWW 2026）
作者：Wanjie Tao, Qun Dai, Yantong Lv, Quan Lu, Ning Jiang, Zulong Chen
机构：马上消费金融、南京航空航天大学、阿里巴巴
论文链接：https://dl.acm.org/doi/epdf/10.1145/3774904.3792922

MoE 路由为何必须引入记忆机制？

MoE架构的核心价值在于其稀疏性。对于每个输入，路由器仅从庞大的专家池中筛选少数几个进行激活，从而在维持海量参数容量的同时，大幅降低单次前向传播的计算成本。

问题在于，现有主流MoE路由遵循“无记忆”范式：每个输入被独立处理，历史相似请求所积累的专家选择经验未被系统化利用。

这在离线基准测试中影响不大，但在真实的Web级应用中至关重要。例如，在搜索、开放域问答和多轮对话场景中，用户请求存在大量语义重叠。同类问题、相似任务、近似表达会反复出现。若系统每次都重新计算专家分配，将产生显著的计算浪费。更关键的是，对于语义近似的输入，若激活的专家集合频繁变动，模型输出的稳定性将难以保障。

RMS-MoE的设计动机直接而有力：既然用户输入具有高度重复性，那么已被验证有效的专家协作模式，理应被记忆和复用。与传统RAG（检索增强生成）从外部知识库检索文本不同，RMS-MoE检索的是模型内部的专家协作模式。换言之，它构建了一种“架构记忆”，让模型学会记住自己过去如何高效调度专家。

RMS-MoE：实现从「即时路由」到「检索增强路由」的范式转变

RMS-MoE的整体框架由三个核心组件构成：协同激活记忆库、自适应融合模块以及强化引导的记忆更新机制。协同激活记忆库负责存储与检索历史上高效的专家组合；自适应融合模块动态权衡记忆先验与实时路由器的判断；强化反馈式更新则利用任务表现持续优化记忆库的质量。

具体工作流程如下：当新输入进入模型，RMS-MoE首先通过编码器获取其表示，同时标准路由器生成实时的专家激活概率。并行地，协同激活记忆库会根据当前输入表示，检索出最相似的若干历史样本，并提取这些样本对应的专家激活模式。随后，模型基于检索相似度与历史效用信息，聚合生成一个“记忆先验”——即历史相似输入更倾向于激活哪些专家团队。最终，自适应融合模块学习一个动态门控权重，将记忆先验与实时路由器的输出进行融合，得到最终的专家激活决策。

这种设计的优势清晰：对于熟悉、重复或语义相近的输入，模型可更多地依赖历史上已验证高效的专家组合；对于新颖或相似度低的输入，模型则回退至实时路由器，保持足够的灵活性与探索能力。

RMS-MoE 方法框架图

协同激活记忆库：存储的不是知识，而是「专家团队」的协作经验

RMS-MoE的关键创新在于协同激活记忆库。可将其视为一个动态的键值对存储系统。每条记忆记录包含两部分：键是输入的特征嵌入，值则是对应的专家激活模式及相关元信息，例如历史奖励分数、最近访问时间等。

当新输入抵达时，模型使用其嵌入表示在记忆库中检索最相似的K条记录。每条记录不仅代表一个相似的历史输入，还携带了该输入曾激活的专家组合。随后，RMS-MoE会结合相似度与历史效用，对这些专家组合进行加权聚合，形成一个专家选择的先验分布。

其核心思想在于：专家之间的协同激活关系，本身就是一种可复用的结构化知识。传统MoE路由器独立评估每个专家的激活概率，而RMS-MoE更关注“哪些专家曾共同高效工作过”。这使得模型不再仅仅是选择个体专家，而是在复用经过验证的专家团队协作经验。

自适应融合：在历史经验与实时判断间取得智能平衡

仅有记忆是不够的。若模型过度依赖历史经验，在面对新任务、新表达或低频场景时，可能产生错误的路径依赖。因此，RMS-MoE引入了自适应融合模块，通过一个可学习的动态门控系数β，来调节记忆先验与实时路由输出之间的权重。

当当前输入与记忆库中的历史样本高度相似时，β值增大，模型更倾向于采纳检索得到的专家组合；当相似度较低时，β值减小，模型则更多地信赖当前路由器的即时判断。这确保了RMS-MoE不会退化为一个简单的缓存系统，而是一个能根据输入的“熟悉度”进行自适应决策的智能路由框架。

其路由逻辑可概括为：熟悉的问题，优先复用历史上表现优异的专家团队；陌生的问题，回退到实时路由器，保持探索能力；介于两者之间的问题，则在记忆与实时判断之间进行动态加权。

强化反馈式更新：驱动记忆库持续进化与优化

为防止协同激活记忆库退化为静态缓存，RMS-MoE设计了强化引导的记忆更新机制。在训练过程中，模型根据任务反馈（如负的训练损失）来更新记忆条目的效用分数，并通过指数滑动平均进行平滑。

同时，记忆库会记录条目的“新鲜度”，并在容量达到上限时，基于“效用-新近度”综合评分进行淘汰。这意味着，一个能持续带来良好任务表现的专家组合更容易被保留和再次检索；而长期无效或过时的组合则会逐渐被削弱或移除。

此外，记忆库的更新被设计为异步操作。模型不会在每次前向传播中同步修改索引，而是将更新操作缓冲后批量执行。这种设计避免了对检索过程梯度计算的干扰，也降低了在线更新的系统开销。

实验验证：在 WebQA 与 MultiWOZ 上同步提升准确率、降低延迟并增强稳定性

论文主要在WebQA数据集上进行评估。该数据集包含120万个问答样本，且具有约30%的查询冗余，非常适合检验记忆增强路由在高重复Web场景中的效能。同时，研究团队在MultiWOZ数据集上验证了该方法在多轮任务型对话中的泛化能力。

实验对比了多种先进的MoE基线模型，包括Switch Transformer、Expert-Choice MoE、Hash-MoE、Soft-MoE和DeepSeekMoE。所有模型采用相同的MoE基础配置：32位专家，隐藏层维度1024，每个token激活top-4专家。RMS-MoE额外设置协同激活记忆库容量为10^5，检索top-5个记忆条目。实验在8张NVIDIA A100 GPU上运行，结果报告10次运行的均值与标准差。

在WebQA上，RMS-MoE取得了最优性能。相较于DeepSeekMoE，RMS-MoE的F1分数提升了2.7个百分点，归一化延迟从0.72×降至0.53×，降低了约26%。相较于Switch Transformer，RMS-MoE的端到端延迟几乎减半。在MultiWOZ上，RMS-MoE同样表现出色，实现了2.5个BLEU分数的提升和34%的延迟降低。这表明该方法具备良好的任务泛化性，可迁移至多轮对话场景。

WebQA 主实验结果（Latency 归一化至 Switch Transformer）

消融分析：协同激活记忆库是性能增益的核心来源

为剖析各模块的贡献，论文进行了系统的消融实验。结果显示，移除协同激活记忆库后，模型的F1分数从82.5显著下降至77.3，稳定性从0.94降至0.85，性能退化最为明显。这证实了检索与复用历史专家协作模式是RMS-MoE核心收益的关键。

移除自适应融合模块后，F1分数降至78.2，说明简单地使用记忆并不足够，模型必须根据输入上下文动态决定信任记忆还是信任实时路由器。移除强化引导的更新机制后，F1分数降至79.8，稳定性也有所下降，表明记忆质量的持续维护同样至关重要。

敏感性分析进一步显示，RMS-MoE对关键超参数表现出良好的鲁棒性。协同激活记忆库容量在10^5附近达到性能峰值，top-K检索数量在K=5时实现了较优的准确率-延迟平衡，而融合门控系数β最终稳定收敛至约0.6，这意味着模型在多数决策中会主动利用记忆先验。

WebQA 消融实验结果

这项研究为何具有重要价值？

RMS-MoE的意义，远不止于提出一个新的MoE变体。其更深层的贡献在于，它重新审视了MoE路由的本质。过去，MoE路由通常被视为一个即时决策问题：给定当前token，选择若干专家。RMS-MoE则将其扩展为一个具备历史经验的动态过程：当前输入的路由决策，不仅由当前路由器决定，也可参考过去相似输入中已被验证有效的专家协作模式。

这带来了三个维度的范式演进。第一，路由从“无状态”转变为“有记忆”。模型能够复用历史上成功的专家组合，减少重复的探索开销。第二，专家选择从“单专家打分”演进为“专家团队复用”。RMS-MoE显式地建模了共同激活模式，使专家间的协作关系成为可检索、可强化、可淘汰的结构化知识。第三，检索增强不再局限于内容层。传统RAG检索的是外部知识或文本片段，而RMS-MoE检索的是模型内部的架构行为与计算路径。

对于Web级推理系统而言，这一点尤为关键。搜索、问答、对话、推荐等场景充斥着高频、重复、相似的用户请求。如何在保障模型效果的同时，降低推理成本、提升响应稳定性，是大模型落地过程中的核心工程挑战。RMS-MoE提供了一种轻量而高效的思路：让模型记住自己过去执行过的有效计算，并在相似场景中智能复用这些经验。

总结与展望

随着大模型规模持续扩张，MoE已成为提升模型容量与推理效率的关键技术路径。但真正高效的MoE，不应止步于“稀疏激活更多专家”，更应能够学习并复用专家之间的协作规律。

RMS-MoE创新性地将检索、记忆与专家路由相结合，为MoE架构引入了一种全新的“架构记忆”。实验证明，该设计能在Web级问答和多轮对话任务中，同步改善模型准确率、推理延迟和路由稳定性。

展望未来，随着大模型在搜索、对话、智能客服及复杂任务系统中的深度部署，如何让模型的内部计算路径更加稳定、可复用、可解释，将成为提升大模型系统效率与可靠性的关键方向。RMS-MoE的工作揭示了一个深刻洞见：大模型不仅需要记忆外部世界知识，也需要记忆自身“如何思考”以及“如何调度计算资源”。