根据推特用户God of Prompt的分析，专家混合（MoE）模型为开源AI带来了比致密模型更大的优势。以Meta的Llama 405B为例，任何修改都需整体重新训练，成本高达5000万美元（来源：God of Prompt，2026年1月3日）。相比之下，DeepSeek发布的V3 MoE模型训练成本仅为560万美元，效果更好，且支持模块化独立微调和功能扩展。对AI企业和开发者而言，MoE架构在开源生态中提供了更低成本、更灵活的创新路径，进一步拉大了与传统致密模型的差距。

根据God of Prompt的观点，采用模块化、可组合的AI模型架构可将训练和推理成本降低5-10倍，并加快迭代速度，为企业AI开发带来更高灵活性。但这种方法也带来实现复杂度增加、训练时需负载均衡及显存需求更高等挑战。对于大多数商业应用来说，成本和速度优势明显，值得AI团队在追求规模化和快速部署时考虑采用（来源：God of Prompt，Twitter，2026年1月3日）。