TempoMoE：调控快慢专家以缩减推理开销

基于摘要分析。该研究针对多模态 Mixture-of-Experts（MoE）推理模型在简单输入上过度生成长思维链（CoT）、增加 token 成本与延迟的问题，提出无需训练的 TempoMoE，通过识别并调节快慢思考专家的路由权重，按样本难度控制推理深度。主要研究对象是多模态 MoE 推理模型，而非 EEG 解码或 BCI 系统。 机制方面，作者报告，在固定输入、仅改变提示中的推理节奏时，专家路由呈现稳定变化；抑制慢思考专家会缩短推理链，抑制快思考专家则会延长推理链，作者据此提出这些专家影响推理深度的因果证据。TempoMoE 分两阶段：先通过节奏对比路由分析识别快慢思考专家，再仅在原始 top-k 专家集合内重新分配路由权重。对于简单输入，增强快思考专家并抑制慢思考专家；对于困难输入则反向调节。摘要未说明样本难度的判定方法、专家识别所需数据及具体权重调整规则，相关实现条件尚未验证。 评估方面，作者报告在 Kimi-VL、Qwen3-VL 和 ERNIE-4.5-VL 上、覆盖六个基准的实验中，相较 Vanilla，TempoMoE 持续提高准确率并减少输出 token；其中准确率最大提升为 2.6 个百分点，输出 token 最大减少 35.4%。摘要未给出各项最大收益对应的模型与基准，也未说明二者是否来自同一设置，因此不能将其合并理解为单一实验结果。输出 token 减少也不能直接等同于同比例延迟下降。具体基准名称、数据划分、难度分组、消融、统计信息及端到端延迟尚未验证。 平台推测（待验证）：其机制可能适用于能够访问专家路由、且以生成式推理处理 EEG 信息的多模态 MoE 系统，但不直接适用于普通 EEG 分类器。原方法依赖可操控的 MoE 路由与可比较的推理节奏；低信噪比、跨被试差异和小数据可能使难度估计失准，路由调节能否保留神经信号相关信息仍待评估。尚未检索确认已有 EEG 相关工作，不能据此声称 BCI 效果。