MoEZip：面向稀疏MoE的路由感知KV缓存压缩
MoEZip针对稀疏混合专家模型提出路由感知KV缓存压缩。它以路由分布的Fisher信息估计专家选择对扰动的敏感度，再结合注意力权重评分。保留10% KV时，LongBench和RULER平均分别比既有最优方法高24分和20分。
要点
- 普通KV驱逐可能改变MoE推理时被选中的专家，从而损害生成质量。
- MoEZip结合Fisher路由敏感度与注意力权重，并兼容稠密模型的驱逐评分。
- 在10%保留率下，LongBench与RULER平均增益分别为24分和20分，相当于分数提高2.3倍和4.9倍。
为什么值得看
长上下文推理中KV缓存随序列线性增长，而普通驱逐会改变MoE的专家选择并降低生成质量；MoEZip用路由敏感度评分缓解这一问题。
谁会受影响
面向研究或部署稀疏混合专家大模型长上下文推理的研究者与系统开发者；论文作者与机构未知。
今天就能怎么试
论文于2026年10月21日提交。公开代码、参数、价格和国内可用性均未知，目前只能阅读论文，无法确认可直接试用。
原始来源
1MoEZip: Routing-Aware KV Cache Compression for Sparse Mixture-of-Experts LLMs · arXiv cs.AI · 2026年10月23日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。