模型
别名：NVIDIA MoE
NVIDIA提出的低通信成本MoE架构
已跟踪 3 条高相关材料
最近变化
2026-08-26 · 线性注意力机制通过细粒度衰减降低计算成本
为什么值得关注
LatentMoE 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Introducing NVIDIA Nemotron 3 Ultra: An Open 550B Model for Long-Running Agents
NVIDIA Developer · 8.7 分
NVIDIA 推出 Nemotron 3 Ultra，550B 参数的开放模型，面向长时运行的智能代理，采用 LatentMoE 与多令牌预测，在同等推理成本下专家数量提升4倍，强调速度与智能的正相关，并以 Open MDW 许可面向企业落地。
152. 领读Kimi K3技术报告：从架构创新聊起，注意力美学、多教师蒸馏和开源MoE
张小珺Jùn｜商业访谈录 · 8.5 分
Kimi K3通过线性注意力、多教师蒸馏和开源MoE架构实现2.8T参数扩展，显著提升模型效率与可扩展性。
简单谈谈K3的MoE和Attention
科学空间 · 8.5 分
K3模型通过Stable LatentMoE和SiTU-GLU改进MoE稳定性，结合Per-Head Muon优化Attention机制，实现效果与效率的平衡。
已收录 3 条与 LatentMoE 相关的内容，按评分排序。
NVIDIA 推出Nemotron 3 Ultra，550B参数的开放模型，面向长时运行的智能代理，采用LatentMoE与多令牌预测，在同等推理成本下专家数提升4倍，强调速度与智能正相关，并以Open MDW许可面向企业落地。
入选理由：Nemotron 3 Ultra 为 550B 参数模型，基于与 Nemotron 3 Super 相同架构，面向长时运行的智能代理场景。
Kimi K3通过线性注意力、多教师蒸馏和开源MoE架构实现2.8T参数扩展，显著提升模型效率与可扩展性。
入选理由：线性注意力机制通过细粒度衰减降低计算成本
K3模型通过Stable LatentMoE和SiTU-GLU改进MoE稳定性，结合Per-Head Muon优化Attention机制，实现效果与效率的平衡。
入选理由：K3采用SiTU-GLU替代SwiGLU，通过softcap操作减少梯度爆炸风险
