从 GPT-3 到 Gemini 3 的三年演进，标志着 LLM 工程从密集型 Transformer 向稀疏 MoE 架构转型，实现计算数据效率指数级提升，同时上下文窗口扩展至百万 token 级，支持多模态代理落地。这种规模化路径的核心在于缩放定律验证与 MoE 路由机制优化：参数从 175B 激增至万亿级，但激活参数仅 15-20B，FLOPs 需求呈次线性增长，避免了稠密模型的计算爆炸。
首先，计算数据效率的工程突破源于 Chinchilla 缩放定律（性能 ∝ 参数^α × 数据^β × 计算^γ，α≈0.07, β≈0.5, γ≈0.3）。GPT-3（2020 年发布，175B 参数，训练数据 45TB Common Crawl，约 300B token，FLOPs ≈ 3.14e23）验证了该定律，但数据-计算不均衡导致效率低下。Gemini 3 Pro（2025 年预览，总参数 >1T，激活 15-20B）通过 MoE 稀疏激活，仅路由 top-2/8 专家，每 token FLOPs 降至稠密模型的 25%，训练数据超 20T token。实际落地参数：预训练阶段数据/参数比例控制在 20:1，RLHF 阶段引入 DPO 损失权重 0.1-0.5，避免过拟合；监控指标包括专家利用率 >80%、路由熵 >2.0（防崩溃）。
MoE 路由进步是关键转折。早期 Switch Transformer（2021）引入 top-k 路由（k=2），GLaM 添加容量因子限制负载均衡。GPT-4（2023）采用 16 专家（每专家 111B），激活 2 个，共享注意力 550B，实现推理每 token 仅 280B 参数激活，FLOPs 560TF vs 稠密 3700TF。“GPT-4 据传采用 MoE，将 1.8T 参数分布于 120 层，仅激活部分专家大幅降低能耗。” Gemini 3 延续 MoE + 长上下文架构，路由网络使用 noisy top-k gating，辅助损失 λ=0.01 平衡专家负载。工程清单：1) 初始化路由器为均匀分布；2) 训练中添加 jitter noise（σ=0.1）；3) 推理时动态 k=2-4，根据 token 复杂度自适应；4) 监控路由崩溃（单一专家 >50% 流量时回滚至 dense FFN）；5) 专家剪枝阈值 perplexity >1.05。
上下文扩展支撑多模态代理涌现。GPT-3 仅 2K-4K token，易遗忘长依赖；Gemini 1.5（2024）首破 1M token（研究中 10M），Gemini 3 Pro 标配 tier-1M（100 万 token ≈75 万词，300 页书）。效率源于旋转位置编码（RoPE）+ 分层注意力：低层全注意力，高层稀疏。代理落地参数：上下文阈值 200K（日常代理）/1M（代码库分析）；多模态输入比例文本:图像:视频=80:15:5；工具调用延迟 <500ms；回滚策略若召回率 <99%（NIAH 基准），压缩上下文至 50%。Gemini 3 支持原生文本/图像/音频/视频/实时相机，跨模态推理如视频动作识别+文本总结，代理链路：感知→规划（结构化 CoT）→执行（工具路由）→自纠错。
工程实践清单确保可复现：1) 硬件：TPU v5p Pod（4096 芯片），推理 H100 集群 128 张/GPU；2) 超参：学习率 1e-4（cosine decay），batch 4M token，warmup 2% 步；3) MoE 配置：专家数 64，总激活 2/激活参数 20B，负载平衡损失 0.01；4) 上下文管理：分层 KV 缓存（最近 10K 全存，古早压缩 16x）；5) 监控：Perplexity <2.5，MMLU >90%，长上下文召回 >99%；6) 风险缓解：路由多样性检查（KL 散度 <0.1），幻觉检测（自洽率 >95%）。部署代理时，初始化状态机（状态: idle/plan/act/reflect），每步 max token 4K，避免 OOM。
这些里程碑从 GPT-3 的密集计算转向 Gemini 3 的高效稀疏，奠定 MaaS（模型即服务）时代基础。未来，MoE 专家数扩至 128+，上下文破 10M，代理自主性将驱动具身智能。
资料来源：[1] 腾讯云 LLM 规模化报告；[2] Gemini 3 Pro Preview 规格泄露。