#混合专家

mergoo

mergoo是一款工具库，用于高效合并和训练不同领域的LLM专家。支持Mixture-of-Experts、多层合并以及多种训练平台。适配Llama、Mistral、Phi3及BERT模型，兼容CPU、MPS和GPU设备。提供灵活配置及多种训练器支持，包括Hugging Face Trainer和PEFT，以便模型合并与微调。

DiT-MoE

DiT-MoE项目采用混合专家模型，将扩散Transformer扩展至16亿参数规模。作为扩散Transformer的稀疏版本，DiT-MoE在保持与密集网络相当性能的同时，实现了高效的推理。项目提供PyTorch实现、预训练权重和训练/采样代码，并包含专家路由分析和Hugging Face检查点。通过混合专家方法，DiT-MoE在模型扩展和推理优化方面展现出显著优势。

ChatLaw

ChatLaw作为一款先进的AI法律助手，结合了混合专家模型和多智能体系统，致力于增强AI法律服务的可靠性和准确性。项目通过整合知识图谱和人工筛选方法，打造高质量法律数据集，用于训练混合专家模型，从而优化法律回应的精确度。引入标准操作程序后，ChatLaw有效减少了错误和幻觉问题。在Lawbench评测和法律职业资格统一考试中，ChatLaw均取得了出色成绩，充分展示了其在法律咨询领域的卓越能力。

switch-base-128

Switch Transformers采用专家混合（MoE）模型架构，针对掩码语言模型（MLM）任务进行训练。该模型使用稀疏多层感知器层取代传统的前馈层，提升了训练效率。在Colossal Clean Crawled Corpus上完成了高达万亿参数的预训练，表现出优于T5的微调效果，并实现了相较于T5-XXL模型的四倍加速，适合需要高效语言模型的应用。

switch-base-8

Switch Transformers是一个创新的专家混合模型，专为在Colossal Clean Crawled Corpus数据集上进行掩码语言建模任务而设计，在训练速度上较T5-XXL模型提升4倍。其架构使用Sparse MLP层替代传统T5模型中的前馈层，提供更快训练且性能优异。该模型在未微调前并不适用于直接应用任务，需进一步调优。Switch Transformers适合需要高效和短时间内取得优异结果的开发者与研究者。