MoEQuant：专家均衡采样与亲和度引导量化

这份资料解决的问题

MoE量化的难点是校准样本经过动态路由后并不平均覆盖每个专家。MoEQuant分别处理专家之间和专家内部样本分布不均，强调校准数据与专家贡献的关系。准备量化部署时，应统计路由覆盖、低频专家与业务长尾任务，避免用一小批通用文本代表所有中文、代码和工具调用场景。

原始研究资料

原文题名：MoEQuant: Enhancing Quantization for Mixture-of-Experts Large Language Models via Expert-Balanced Sampling and Affinity Guidance。

作者：Zhixuan Chen、Xing Hu、Dawei Yang、Zukang Xu、Xu Chen、Zhihang Yuan、Sifan Zhou、Jiangyong Yu。

原始发表入口：MoEQuant: Enhancing Quantization for Mixture-of-Experts Large Language Models via Expert-Balanced Sampling and Affinity Guidance。本页上方提供完整、未经删改的原始PDF，可在线阅读或直接下载。中文文字是独立导读，不冒充全文译文；实验设置、算法公式、消融结果和附录以完整PDF为准。

引用与许可

原始文献及本文引用请保留作者、题名、原发表机构与原文地址。原文采用CC BY 4.0许可，本地副本保留原有署名和出版信息。