RND1是一个实验性的扩散语言模型，拥有300亿参数，采用稀疏专家混合架构。该模型从预训练的自回归基础模型转换而来，支持基于扩散的文本生成，每个标记仅激活30亿参数，在计算效率和模型容量之间取得平衡。

自然语言处理Transformers

Qwen3-Next-80B-A3B-Instruct是通义千问团队开发的高效稀疏混合专家模型，总参数量80B，激活参数量仅3B。该模型采用创新的混合注意力机制和极低激活率的MoE架构，在保持强大性能的同时大幅提升推理效率，原生支持262K上下文长度并可扩展至1M令牌。

自然语言处理Transformers

Qwen3-Next-80B-A3B-Instruct是阿里巴巴通义千问团队开发的最新一代大型语言模型，采用创新的混合注意力机制和高稀疏专家混合架构，在保持80B总参数的同时仅激活3B参数，实现了高效的上下文建模和推理加速，原生支持262K上下文长度并可扩展至1M令牌。

自然语言处理Transformers

Klear是由快手Kwai-Klear团队开发的稀疏混合专家（MoE）大语言模型，具备高性能和推理效率的特点。总参数460亿，激活参数仅25亿，在多个能力基准测试中表现出色，为实际应用提供了高效且强大的解决方案。

自然语言处理Transformers支持多种语言

MiniCPM-S-1B-sft 是一个基于激活稀疏化技术优化的1B参数规模语言模型，通过ProSparse方法实现高稀疏性推理加速，同时保持与原始模型相当的性能。

自然语言处理Transformers支持多种语言

玲珑线性预览版是由InclusionAI开源发布的混合线性稀疏大语言模型，总参数量17.1B，激活参数量3.0B。该模型基于混合线性注意力机制实现长文本推理，在推理过程中具备近线性计算复杂度与近恒定空间复杂度。

自然语言处理Safetensors支持多种语言

基于LLaMA-2-7B的激活稀疏化大语言模型，通过ProSparse方法实现高稀疏率(89.32%)且保持原始性能

自然语言处理Transformers英语

MoE-LLaVA是一种基于专家混合架构的大型视觉语言模型，通过稀疏激活参数实现高效的多模态学习

多模态Transformers

MoE-LLaVA是一种基于专家混合架构的大规模视觉语言模型，通过稀疏激活参数实现高效的多模态学习。

多模态Transformers

该研究探索了稀疏大语言模型中最有效的激活函数，比较了ReLU、SwiGLU、ReGLU和平方ReLU四种激活函数在稀疏计算效率上的表现。

自然语言处理Transformers英语

基于Llama 2 7B微调的ReLU激活稀疏大语言模型，通过动态参数选择提升计算效率

自然语言处理Transformers英语