Mixture-of-Experts (MoE) 아키텍처는 토큰당 전문가의 아주 작은 부분만을 활성화함으로써 대규모 언어 모델 (LLMs)을 효율적으로 확장하지만, 전문가 파라미터가 주를 이루는 전체 파라미터 수는 학습 및 추론 메모리에 유지되어야 합니다. 이를 해결하기 위해, 우리는 독립적인 레이어별 라우팅 (routing) 및 어텐션 (attention)을 유지하면서 연속적인 트랜스포머 (transformer) 레이어 간에 전문가 파라미터를 공유하는 아키텍처 수정 방식인 Expert Tying을 소개합니다. 우리는 OLMoE, Qwen3, 그리고 DeepSeek 스타일의 MoE를 포함한 일반적인 최첨단 아키텍처 전반에 걸쳐 이 접근 방식을 평가합니다. 우리의 사전 학습 (pretraining) 실험은 전문가를 결합(tying)함으로써 퍼플렉시티 (perplexity)나 다운스트림 품질의 저하가 거의 없이 메모리 사용량을 거의 2배까지 줄일 수 있음을 보여줍니다. MoE 경로에 내재된 파라미터 중복성을 활용함으로써, 우리의 방법은 매우 유리한 연산 대비 메모리 트레이드오프 (compute-to-memory trade-off)를 제공하며, 차세대 LLM의 효율적인 학습 및 확장을 발전시킵니다.