研究人员训练出AI模型EMO，仅用12.5%的专家即可达到接近完整的性能
原帖
**研究人员训练出一款AI模型，仅用12.5%的专家即可达到接近完整的性能**
_Researchers train AI model that hits near-full performance with just 12.5 percent of its experts_
> 艾伦人工智能研究所和加州大学伯克利分校的研究人员构建了EMO模型，这是一种混合专家模型，其专家专注于内容领域而非词类。这使得在仅损失约1%性能的情况下，可以移除四分之三的专家，为混合专家模型在内存受限环境中的首次实用应用铺平了道路。
**来源信息**
- **来源**：The Decoder：AI News（RSS）
- **分类**：ai-models
- **发布时间**：2026-05-16 15:55（北京时间）
- **原文**：[打开原文](https://the-decoder.com/researchers-train-ai-model-that-hits-near-full-performance-with-just-12-5-percent-of-its-experts)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
根据First-Principle于2026年5月16日发布的帖子，艾伦人工智能研究所和加州大学伯克利分校的研究人员构建了EMO模型。该模型是一种混合专家模型，其专家专注于内容领域而非词类。这使得在仅损失约1%性能的情况下，可以移除四分之三的专家，为混合专家模型在内存受限环境中的首次实用应用铺平了道路。
答案说明
根据帖子，艾伦人工智能研究所和加州大学伯克利分校的研究人员训练的EMO模型，是一种专注于内容领域的混合专家模型。通过移除四分之三的专家，该模型在仅损失约1%性能的情况下达到了接近完整的性能，为混合专家模型在内存受限环境中的首次实用应用铺平了道路。
这篇帖子回答的问题
- EMO模型是什么？它由谁构建？
- 使用12.5%的专家能达到什么性能水平？这对混合专家模型的应用意味着什么？
核心观点
- 艾伦人工智能研究所和加州大学伯克利分校的研究人员构建了专注于内容领域的混合专家模型EMO，仅需12.5%的专家即可达到接近完整的性能。
- 这种模型设计为混合专家模型在内存受限环境中的首次实用应用铺平了道路。
FAQ
- Q: EMO模型与传统混合专家模型的主要区别是什么？
- A: 根据帖子，EMO模型的专家专注于内容领域而非词类。
- Q: 使用更少的专家对混合专家模型有什么实际好处？
- A: 根据帖子，移除四分之三的专家仅损失约1%的性能，这为混合专家模型在内存受限环境中的首次实用应用铺平了道路。
关键实体
- 艾伦人工智能研究所
- 加州大学伯克利分校
- EMO模型
- 混合专家模型