研究者提出动态专家剪枝DEP方法

Jabin Koo等作者提出面向多智能体系统的动态专家剪枝（DEP）。该方法利用智能体的系统提示词与任务提示词直接预测每次请求所需的专家，单次前向即可生成专属掩码，无需逐配置校准。 作者称，DEP在多种任务、角色、模型规模和MoE架构上整体准确率优于静态剪枝与合并基线，并能泛化到训练中未见的工作流；保留专家越少时优势越明显，表明多智能体系统的角色特化支持比静态剪枝更稀疏的部署。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。