MultiPL-MoE论文总结与关键部分翻译一、论文主要内容总结1. 研究背景与问题当前大型语言模型（LLMs）虽在代码生成领域表现出色（如GPT-4、Qwen2.5-coder），但在多编程语言生成任务中存在显著短板：高资源编程语言（如Python、Java、C++）性能优异，而低资源编程语言（如Rust、Go、Ruby，其在线数据和训练数据均有限）性能极差。现有提升多编程语言能力的方法存在两大问题：一是通过多语言数据继续训练基础模型，计算成本极高；二是通过特定低资源数据微调模型，会导致基础模型原有代码能力严重“灾难性遗忘”。2. 核心思路将多编程语言（MultiPL）视为多自然语言的特殊案例，借鉴自然语言扩展中基于混合专家（MoE）架构的“升级循环”技术（可有效扩展语言能力并避免灾难性遗忘），提出MultiPL-MoE——一种通过混合专家架构实现LLMs多编程语言扩展的模型，在有限计算资源下，同时提升低资源语言性能并保留高资源语言能力。3. 模型架构MultiPL-MoE通过“升级循环”改造基础LLM的前馈网络（FFN）层，核心是结合令牌级MoE与段级MoE，实现细粒度学习令牌语义特征与段级语法特征：令牌级MoE：采用传统“令牌选择专家”路由策略，加入共享专家（固定参数，捕捉通