---
title: "Cos’è la mixture of experts (MoE) negli LLM? | BroadRouter"
description: "Un LLM MoE fa passare ogni token per pochi esperti, così lavora solo una parte del modello. Parametri totali e attivi, con gli esempi di Gemma 4 e DeepSeek."
url: https://broadrouter.com/it/glossary/mixture-of-experts/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/mixture-of-experts/) (aggiornato il 2026-11-14).

# Mixture of experts (MoE)

Aggiornato 2026-11-14

La mixture of experts (MoE) è un’architettura di rete neurale in cui un layer contiene molte sotto-reti esperte e un router appreso manda ogni token solo ad alcune di esse. Un modello linguistico MoE ha un numero totale di parametri elevato, ma per ogni token ne usa un piccolo sottoinsieme attivo.

Detto anche: MoE, mixture of experts, miscela di esperti, modello MoE, LLM MoE, parametri attivi, sparse MoE, mixture-of-experts model, sparse expert model, active parameters

Un modello denso esegue tutti i pesi per ogni token. Un modello mixture of experts esegue solo i pochi esperti scelti dal suo router.

## Come funziona

Shazeer et al. hanno introdotto il layer MoE a gating sparso nel 2017: fino a migliaia di sotto-reti feed-forward, con “a trainable gating network” (traduzione: una rete di gating addestrabile) che sceglie “a sparse combination of these experts” (traduzione: una combinazione sparsa di questi esperti) per ogni input. In un transformer moderno, il blocco feed-forward di alcuni layer diventa un insieme di esperti. Per ogni token il router assegna un punteggio agli esperti e manda il token ai primi della lista. Alcune architetture aggiungono un esperto condiviso usato da tutti i token.

Due model card mostrano i numeri:

| Modello | Parametri totali | Attivi per token | Esperti |
| --- | --- | --- | --- |
| Gemma 4 26B A4B (Google) | 25,2B | 3,8B | 8 attivi su 128, più 1 condiviso |
| DeepSeek V4.1 Flash (DeepSeek) | 552B di backbone | 8B in prefill, 16B in decode | 6 instradati su 384, più 1 condiviso |

La scheda di Google dice che il modello 26B A4B “runs almost as fast as a 4B-parameter model.” (traduzione: gira quasi alla velocità di un modello da 4B parametri).

## Perché è importante

-   **Velocità e prezzo per token** seguono i parametri attivi, perché quello è il calcolo che serve a ogni token. È così che un modello MoE può essere grande e comunque economico da servire.
-   **La memoria** segue i parametri totali. Ogni esperto deve stare nella memoria della GPU, quindi un modello MoE richiede per i pesi lo stesso spazio di un modello denso della stessa dimensione totale. La [quantizzazione](https://broadrouter.com/it/glossary/quantization/) è un modo comune per farceli stare.
-   **La qualità** non segue in modo netto nessuno dei due numeri. Confronta i modelli sul tuo compito, non sul numero di parametri.

## Su BroadNet Inference

BroadNet serve BroadNet Gemma 4 VL 26B con l’ID di modello `broadnet/gemma-4-26b-a4b` e lo descrive come basato su Gemma 4 di Google. Il suo catalogo dei modelli indica come build di produzione Gemma 4 26B A4B con pesi AWQ a 4 bit e multi-token prediction. Costa $0.10 in input e $0.22 in output per 1M di token, ed è il modello dietro la chiave oraria. Vedi [Gemma 4 VL 26B](https://broadrouter.com/it/models/gemma-4-vl-26b/).

[DeepSeek V4.1 Flash](https://broadrouter.com/it/models/deepseek-v4.1-flash/) è il modello di BroadNet con contesto da 1.048.576 token e l’unico modello dei piani flat. La sua architettura MoE è documentata da DeepSeek, non da BroadNet. Per un confronto tra modelli aperti come categoria, vedi [modelli open-weight](https://broadrouter.com/it/glossary/open-weight-model/) e [modelli open-weight o chiusi](https://broadrouter.com/it/blog/open-weight-vs-closed-models/).

## Domande frequenti

### Cosa significa A4B in Gemma 4 26B A4B?

La model card di Google dice che la "A" sta per parametri attivi. Il modello ha 25,2B parametri in totale ma ne attiva circa 3,8B per token.

### DeepSeek V4.1 Flash è un modello mixture of experts?

Sì. La model card di DeepSeek lo definisce un modello MoE multimodale con 552B parametri di backbone, 1 esperto condiviso e 384 esperti instradati per ogni layer MoE, e 6 esperti instradati attivi per token.

### Un modello MoE richiede meno memoria?

No. Tutti gli esperti devono essere caricati, perché qualunque token può essere instradato a uno qualsiasi di essi. La MoE fa risparmiare calcolo per token, non memoria per i pesi.

## Vedi anche

-   [Modello open-weight (a pesi aperti)](https://broadrouter.com/it/glossary/open-weight-model/) (termine)
-   [Quantizzazione (quantization)](https://broadrouter.com/it/glossary/quantization/) (termine)
-   [Token al secondo (tokens per second)](https://broadrouter.com/it/glossary/tokens-per-second/) (termine)
-   [KV cache (cache chiave-valore)](https://broadrouter.com/it/glossary/kv-cache/) (termine)
-   [Ora GPU (GPU-hour)](https://broadrouter.com/it/glossary/gpu-hour/) (termine)
-   [Usare l’SDK Python di OpenAI con BroadNet Inference](https://broadrouter.com/it/guides/openai-python-sdk/) (guida)
-   [Modelli AI open-weight o chiusi in azienda: costi, controllo, rischi](https://broadrouter.com/it/blog/open-weight-vs-closed-models/) (articolo)
-   [Miglior modello aperto per agenti di coding: tool, contesto e costo](https://broadrouter.com/it/blog/best-open-model-for-coding-agents/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-mixture-of-experts&utm_content=page-cta) ·

**Fonti**

-   [Shazeer et al., Outrageously Large Neural Networks, the Sparsely-Gated Mixture-of-Experts Layer, arXiv 1701.06538](https://arxiv.org/abs/1701.06538)
-   [Google, model card di Gemma 4 26B A4B instruction-tuned](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [DeepSeek, model card di DeepSeek-V4.1-Flash](https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash)
-   [Riferimento API di BroadNet Inference, ID dei modelli (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-mixture-of-experts&utm_content=sources)
-   [Catalogo dei modelli di BroadNet (misure di laboratorio, settembre 2026) (in inglese)](https://www.broadnet.ai/inference/models)
