本图旨在系统性地梳理现代混合专家（Mixture of Experts, MoE）架构从理论提出至2025年的技术演进脉络。核心分类依据是门控函数（Gating Function）。
　　稠密路由（Dense）：激活全量专家进行计算，常见于早期研究或特定微调场景。
　　软性路由(Soft)：采用完全可微分的合并策略，通过加权融合令牌或专家，来规避离散路由选择的难题。1）专家合并路径(Expert Merging)：将所有专家的参数加权融合成一个临时的单一专家来处理令牌。2）令牌合并路径(Token Merging)：将输入的多个令牌加权融合成聚合体，再送入不同专家处理。
　　稀疏路由（Sparse）：仅激活部分专家，是当前最高效、最主流的技术范式。1）令牌选择路径(Token-Choice)：通过一个可训练的门控网络，为每个令牌动态选择一部分（top-k）专家。这是最主流的稀疏路由方式。2）非可训练令牌选择路径(Non-trainable Token Choice)：采用固定的、无需训练的规则（如哈希函数）来分配令牌，不含可学习的路由参数。3）专家选择路径(Expert-Choice)：反向路由模式，由每个专家从一批输入中主动选择自己要处理的令牌，天然地解决了负载均衡问题。
　　风险提示：1）大语言模型的技术进展不及预期。2）人工智能行业竞争格局变化带来的不确定性。3）算法或功能优化不及预期。