面向域通用混合专家模型剪枝的稳健校准数据集研究

基于摘要分析。本文研究混合专家模型（Mixture-of-Experts，MoE）训练后专家剪枝中，校准数据的选择如何影响域通用评估表现，核心贡献是以 gpt-oss-20b 为对象，实证考察校准集规模、语言及数据分布对逐层专家剪枝的影响，而非提出新的 EEG 或 BCI 方法。 校准集是剪枝流程的一部分，本文关注其组成变化与剪枝后性能之间的关系。摘要未说明专家重要性的计算方式、剪枝比例、校准样本的具体规模或是否更新参数，相关实现条件尚未验证。 作者报告：在所研究的域通用剪枝评估中，相比小样本校准，进一步扩大校准数据规模带来的收益有限；在覆盖七种不同语言类型与文字系统的跨语言评估中，仅使用英语校准仍能维持较强表现；使用类似预训练分布的多样化校准数据，可取得与测试分布校准数据相当或更好的表现。摘要未提供具体语言、任务、指标和分数，因此这些结论不能量化为通用性能增益，也不能直接外推至其他 MoE 模型。 阅读与复现时需核对校准集构造、评估任务与划分、未剪枝及其他剪枝基线、计算预算，以及消融和统计信息；这些内容均尚未验证。本文直接研究的是 MoE 部署中的校准与压缩，摘要未提供 EEG/BCI 数据或验证，已有 EEG 相关工作尚未检索确认，不据此提出已获支持的 BCI 迁移结论。