在人工智能领域，随着模型规模的不断扩大，推理成本和访存效率已成为制约大模型广泛应用的关键瓶颈。传统方法如（xrxr）虽然通过稀疏激活机制成功实现了计算和参数的解耦，但在推理场景下，其高昂的访存成本和较慢的速度却成为了不可忽视的问题。近日，字节跳动豆包大模型团队提出的r架构，为这一难题提供了全新的解决方案，并在r2025上得到了认可。本文将深入探讨r的创新之处，以及它如何引领大模型推理的未来。

r：高效推理的新纪元

r是一种将计算和参数解耦的稀疏模型架构，它在保证模型效果的前提下，显著解决了推理时的访存问题。相较于，r在推理速度上实现了2-6倍的提升，推理成本最高可降低83%。这一突破性的成果，无疑为构建大规模语言模型（）提供了有力的支持。

在rrr架构下，模型的性能与其参数数量和计算复杂度密切相关。然而，随着规模的不断增大，推理成本急剧增加，速度变慢，成为制约其广泛应用的关键因素。架构虽然通过稀疏激活机制降低了计算量，但在推理时，较小的bz会激活全部专家，导致访存急剧上升，推理延迟大幅增加。而r则通过一系列创新设计，有效解决了这一问题。

r的创新之处

r的创新主要体现在三个方面：优化模型结构、优化检索方式以及隐式扩展稀疏参数。

首先，在模型结构上，r借鉴了（ryry）的设计，但对其进行了改进。的ryyr只有一层，插在整个rrr的中间层，这对大规模训练并不友好。r则拆分出多个小ryyr，以固定的间隔分布在rrryr中，并增加了-yr操作。这使得模型可以并行地执行ryyr的访存操作和rrryr的计算，从而提高了推理效率。

其次，在检索方式上，r采用了更复杂的乘法方法rry-yrr（r）。这一方法受启发于r，通过组合乘加行r和列r，提高了检索的复杂度，从而优化了模型效果。

最后，在隐式扩展稀疏参数方面，r提出了x（）方法。该方法通过引入rry和yry的概念，隐式地扩展了稀疏参数的数量，从而提高了模型的性能。同时，由于方法中没有非线性操作，因此可以与yryb进行融合，生成全新的ryb，进一步降低了显存和部署成本。