本文提出了一种动态专家选择框架，用于混合专家模型（MoE），通过根据输入复杂性调整激活的专家数量，提高计算效率和模型性能。研究表明，该方法在基准测试中显著优于传统方法，并有效利用历史信息，提升专家选择的准确性和多样性。