SplitMoE把视频扩散模型的专家池拆成语义与通用两路，在14B激活参数下超过同源MoE并呈现由粗到细的去噪路由
该工作指出语言模型式的token级MoE在视频扩散中会陷入“均匀性陷阱”——语义组织不足叠加均匀专家使用正则，使同一物体的相邻patch被分散到不同专家，造成路由碎片化与结构失真；为此提出SplitMoE，把专家池拆为语义专家与通用专家，用原型引导路由和pull-push正则让token按语义属性自然聚类，在激活参数预算相同时于VBench-2.0与T2V-CompBench上优于传统负载均衡MoE，并观察到语义专家权重在早期高噪声阶段（约第10–15步）达到峰值、随后转向通用专家的由粗到细去噪规律。