MoE推理群体的路由有效秩：从集中到分化再到聚合

测试时间缩放会产生大量推理展示，但没有标准的无标签说明来说明随着推理的展开，内部计算如何重新组织。我们引入了路由有效等级 deff，即根据 MoE 专家路由相似性构建的交叉推出图的熵有效维数。在 10 个 MoE 配置和 5 个数学/科学基准中，deff 表现出可重复的低-高-低轨迹，在 3,105 个模型问题队列中的 98.5% 中具有显着的内部最大值：路由相似性在早期集中，在中间预算时最大程度区分，然后重新集中，并且该最大值的时间随架构和推理工作而系统地变化。精确的分解将队列范围内的共模质量与残余频谱维数分开：共模重新分配约占轨迹的三分之二，而残余频谱贡献约四分之一并保留超出共模的实质性变化。分解进一步本地化行为：在非一致队列中，共模浓度的增加强烈预测相同答案的可恢复性，更高的推理努力将最大值延迟 2.59 个倍频程（Token预算的两倍），并在所有四个测试架构中一致扩展高秩周期，将努力效果定位在时间和持续时间而不是峰值幅度上。正确性比较将结构监控与答案选择分开，将路由有效排名定位为队列组织的可分解、无标签诊断——一个关于 MoE 推理队列如何在推理时间内区分和重新集中的原则光谱镜头。