多模態 MoE 為何會分心

多模態 MoE 模型常見一種很怪的失誤：圖看得懂，推理卻答錯。Seeing but Not Thinking: Routing Distraction in Multimodal Mixture-of-Experts 這篇 arXiv 研究，重點不是在說影像和文字語意對不對得上，而是把矛頭指向「路由」：當輸入變成圖片時，模型內部的 expert 選擇可能被帶偏，沒有把計算送到真正負責推理的專家上。

這個觀點很實用。因為在開發 vision-language 系統時，大家常先懷疑感知能力不夠、對齊不穩，或 prompt 寫得不好。但這篇論文提醒一件事：有些情況下，模型不是「看不懂」，而是「看懂了還是走錯內部路徑」。

對台灣開發者來說，這代表 debug 的方向要更細。當同一個問題用純文字可以答對，換成圖片就掉分，瓶頸不一定在影像編碼器，也可能在 MoE 的 routing 機制本身。這是多模態系統很容易被忽略的痛點。

這篇論文在解什麼痛點

論文先抓出一個具體失敗模式：多模態 MoE 模型雖然能正確辨識圖像內容，但接下來的推理步驟卻常常失手。作者把這種現象稱為「Seeing but Not Thinking」。意思很直白，就是模型有看到，卻沒有真的想。

作者認為，過去很多分析會把焦點放在影像和文字表示是否對齊。但這篇研究說，問題不只在語意對齊。即使跨模態語意共享存在，模型仍可能在圖像輸入時表現變差。也就是說，語意層面看起來沒壞，內部計算路徑卻已經歪掉。

這種問題在產品場景裡很麻煩。因為同一個任務，文字版和圖片版會出現不同答案，讓系統行為變得不穩定。對使用者來說，這會像是模型「突然變笨」；對工程團隊來說，則是很難單靠 prompt 或資料清洗就修好的問題。

方法到底怎麼運作

這篇論文的做法不是單純看最終準確率，而是分析 multimodal MoE 在各層的 routing 行為。作者先確認一件事：跨模態語意共享確實存在。這一步很關鍵，因為它先排除了「圖片和文字根本不在同一個語意空間」這種最直覺的解釋。

接著，研究者去看不同 expert 在各層被啟動的情況。他們發現，視覺專家和 domain expert 之間有明顯分工，而圖片輸入會在中間層造成和文字輸入不同的 routing 走向。問題就出在這裡：中間層正是 domain experts 集中的地方，但圖片進來時，模型沒有穩定把訊號送過去。

作者因此提出「Routing Distraction」假說。白話講，就是模型的 router 被模態本身分心了。當輸入是視覺訊號時，路由機制沒有充分喚起那些真正需要用來推理的 expert，結果就是看圖的能力還在，思考的能力卻沒被正確調起來。

為了驗證這個假說，論文設計了一個 routing-guided 的介入方法。摘要只說這個方法能提高 domain expert 的啟動比例，沒有公開更細的實作流程，所以比較保守的解讀是：它是透過引導 router，把計算往推理專家那邊推，而不是去改變任務本身或直接動影像內容。

論文實際證明了什麼

作者把方法放到三個 multimodal MoE 模型上測試，總共跑了六個 benchmark。這代表觀察到的現象不是只出現在單一架構或單一資料集上，至少在這個研究範圍內，routing distraction 具有一定的可重現性。

不過，摘要沒有公開完整 benchmark 名稱，也沒有列出每個任務的詳細分數。所以就這份原始資料來看，我們只能確認它有做跨模型、跨任務的評估，不能補寫成某些特定 benchmark 的表現細節。

研究給出的主要結果是：routing-guided 介入能帶來一致改善，在複雜視覺推理任務上，最高提升到 3.17%。這個數字很重要，因為它不是只說「有變好」，而是明確指出改善幅度確實存在。不過論文也沒有說每個 benchmark 都同樣受益，因此比較合理的說法是：整體趨勢一致，但幅度會依模型與任務而變。

另一個有意思的結論，是作者認為 domain expert identification 捕捉到的是 cognitive functions，而不是 sample-specific solutions。這句話換成白話，就是這些 expert 看起來不像只記住某一題的答案模板，而比較像是代表某種可重用的推理角色。這會讓 routing 分析不只是「看模型在哪裡活化」，而是有機會看出它內部到底是怎麼分工思考的。

這也解釋了為什麼作者會強調，視覺輸入造成的不是單純感知失誤，而是推理路徑被干擾。模型不是完全沒有能力，而是能力沒有被送到對的地方。

對開發者有什麼影響

如果你在做多模態助理、文件理解、圖像問答或 vision-language agent，這篇研究提供了一個很實際的 debug 視角。當模型在文字情境下表現正常，但換成圖片就開始失常，原因不一定是 perception 不夠好，也可能是 routing 沒有把輸入導到適合推理的 expert。

這會直接影響你怎麼排查問題。以前可能先看影像編碼器、資料標註、對齊損失，或是 prompt 是否清楚；但這篇論文提醒，還要看 expert activation 有沒有因為模態切換而改變。也就是說，模型的內部選路，可能就是掉分的根源。

對 MoE 架構來說，這是一個很重要的設計提醒。若系統的目標不只是「看懂」，而是要「看懂後會推理」，那 router 本身就不該只是被動分配流量，而應該被明確引導，讓視覺輸入也能喚起 domain experts。這篇論文的介入方法，就是在朝這個方向做。

從工程角度看，這也意味著 expert selection 本身可能是一個 first-class optimization target。不是只有模型大小、資料量、或單一模態編碼品質重要，路由策略也可能決定最後的實用性。尤其在多模態應用裡，使用者常常不在乎模型內部怎麼分工，只在乎同一件事用文字和圖片輸入時，答案能不能一致。

• 圖片可能改變 routing 行為，即使跨模態語意共享存在。
• 推理失敗不一定是感知差，也可能是 expert 選錯。
• domain expert 的活化可以反映較抽象的 cognitive function。
• 要改善多模態推理，可能得直接調 router，而不只是放大模型。

限制與還沒回答的問題

這篇研究的方向很清楚，但摘要沒有給出完整的工程細節。像是 routing-guided 介入到底怎麼做、實驗設定怎麼安排、六個 benchmark 分別是什麼，原始摘要都沒有交代。所以如果你想直接把方法搬進 production，還需要看完整論文才知道可不可行、成本高不高。

另外，研究雖然測了三個 multimodal MoE 模型，但這還不能直接推論到所有多模態架構。它比較像是對這一類模型提出強證據，而不是宣告一條普遍定律。不同模型的 routing 設計、expert 配置和訓練方式都可能不一樣，結果未必完全相同。

還有一個實務問題摘要沒有回答：如果你刻意提高 domain expert 的啟動，會不會反過來傷到某些真的需要視覺專精的任務？這種 trade-off 在真實系統很重要，因為你不會只想讓某一類問題變好，卻讓其他輸入型態變差。但這篇摘要沒有提供這方面的資訊。

即便如此，這篇論文的核心訊息仍然很有價值。多模態 MoE 裡的問題，可能不是「看」和「想」各自出了什麼大錯，而是中間那個路由步驟把訊號帶偏了。對開發者來說，這提醒我們：當模型看起來懂圖卻答不對時，先別急著只怪感知層，router 也可能才是真正的瓶頸。