huggingface/transformers 的 pr 中看到来自 Qwen3 和 Qwen3MoE 的请求。原文：https://github.com/huggingface/transformers/pull/36878
浏览代码可以看到这次的更新有：
https://huggingface.co/Qwen/Qwen3-15B-A2B (MOE model)
https://huggingface.co/Qwen/Qwen3-8B-beta
Qwen/Qwen3-0.6B-Base
看来本次针对更新的都是一些小参数的模型，比较期待有一个 30-40B 的 MoE
与传统 MoE 的差异
特性：
路由策略： 传统MoE采用全局路由，即所有专家参与计算。Qwen3Moe采用稀疏路由，仅Top-K个专家参与计算。
负载均衡： 传统MoE没有显式优化，容易出现专家坍塌。Qwen3Moe集成load_balancing_loss，以惩罚不均衡的情况。
计算复杂度： 传统MoE的计算复杂度为O(N×E)，其中N为序列长度，E为专家数。Qwen3Moe的计算复杂度为O(N×K)，其中K为Top-K参数。
动态适应性： 传统MoE使用固定频率的RoPE。Qwen3Moe动态调整RoPE频率，属于动态类型。
与 Qwen2.5 的比较
特性：
RoPE类型： Qwen-2.5仅支持静态RoPE。Qwen3Moe支持dynamic、yarn、llama3等多种类型。
稀疏层调度： Qwen-2.5未明确支持。Qwen3Moe通过mlp_only_layers和sparse_step实现灵活控制。
注意力后端： Qwen-2.5仅基础实现。Qwen3Moe集成Flash Attention 2和SDPA加速。
生成缓存管理： Qwen-2.5使用传统KV缓存。Qwen3Moe支持滑动窗口缓存（sliding_window）。
MoE实现： Qwen-2.5未使用MoE。Qwen3Moe实现稀疏MoE + 负载均衡损失。
Qwen3Moe 的优势
特性：
动态 RoPE：支持多种缩放策略，适配长序列和不同硬件。
稀疏 MoE：通过 Top-K 路由和负载均衡损-失，提升模型容量与训练稳定性。
高效注意力：集成 Flash Attention 2 和 SDPA，优化生成速度。
模块化设计：继承并扩展 Llama/Mistral 组件，提升代码可维护性。
生成优化：滑动窗口缓存和动态 KV 更新，降低解码内存占用。
总结
目前在小参数模型中，个人总体使用感觉来说，qwen 模型是首选，特别是此次将要更新的 Qwen3-15B-A2B，15B 总参数量的稀疏 MoE 模型，实际激活参数量为 2B，所以要求的硬件设备资源更低，速度可以更快
