Newest papers

SPARE: Sparsity Allocation via Routing Entropy for Efficient MoEs

Yifan Yang, Hanling Yi, Dongquan Yang, Feng Lin, Rong Xiao, Aijun Li, Xiaotian Yu · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.29662 · cited by 0 works (OpenAlex) · open-access PDF

Hindi

मिश्रण-ऑफ-एक्सप्टर (MoE) आर्किटेक्चर मॉडल क्षमता को कुशलता से स्केल करते हैं, फिर भी उनकी महत्वपूर्ण स्मृति पैरवी डिप्लोमा के लिए एक प्रमुख बाधा है। विशेषज्ञ कटौती इस पैरवी को कम करता है, लेकिन अधिकांश तरीके इस पर ध्यान केंद्रित करते हैं कि विशेषज्ञ हर परत को समान रूप से हटाते हैं और कटौती करते हैं। हम सुझाव देते हैं SPARE (टोकन के गेट वजन को समान रूप से वितरित किया जाता है, एक सक्रिय विशेषज्ञ इसे कम से कम हटाता है, इसलिए SPARE कई विशेषज्ञों को राउटिंग एंट्रोपी का उपयोग करके प्रत्येक परत से हटाने का निर्णय करता है। टोकन के सामान्य किए गए शीर्ष-के गेट के एंट्रोपी ने कैलिब्रेशन डेटा पर वजन

Machine translation (Meta M2M100); the English original follows.

Abstract

Mixture-of-Experts (MoE) architectures scale model capacity efficiently, yet their substantial memory footprint poses a major barrier to deployment. Expert pruning reduces this footprint, but most methods focus on which experts to remove and prune every layer equally. We propose SPARE (Sparsity Allocation via Routing Entropy), a training-free, selector-agnostic method that decides how many experts to remove from each layer using routing entropy, the entropy of tokens' normalized Top-K gate weights on calibration data. When a token's gate weight is spread evenly, removing one active expert discards little of it, so SPARE prunes layers with more diffuse routing more aggressively. A perturbation bound under random pruning formalizes this intuition, and controlled interventions with a fixed selector link concentrated routing to larger output changes. With the same selector and budget, SPARE improves average accuracy over uniform allocation on Mixtral, Qwen3, and DeepSeek models, especially at high pruning ratios. At 50% expert pruning, it raises the eight-task average of Qwen3-30B-A3B from 57.2% to 63.8%, and the math, code, and science average of DeepSeek-R1 from 80.1 to 82.8.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Spare part, Computer science, Entropy (arrow of time), Mathematical optimization, Pruning, Routing (electronic design automation)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange