本文解读2026年7月挂arxiv上的一篇paper《MMOE: Modernizing diffusion transformers with efficient expert design》这篇论文提出了MMOEModernMOE架构通过将大语言模型中成熟的轻量级专家、门控残差路由和注意力残差复用等高效稀疏计算机制引入扩散Transformer在不盲目扩大总参数量和计算开销的前提下显著提升了视觉生成模型的收敛速度与生成质量。论文动机视觉生成大模型亟需的“降本增效”近年来大语言模型LLM之所以能够成功扩展参数规模很大程度上归功于以混合专家模型MoE为代表的稀疏计算架构它成功解耦了模型的总参数量与每次推理激活的计算量。然而在人工智能生成内容AIGC的基础模型中尤其是基于扩散Transformer如DiT、SiT的架构虽然也开始尝试引入MoE但早期的研究大多陷入了单纯堆叠专家数量和提高稀疏比例的误区。这种“暴力扩容”忽视了LLM在工程落地上至关重要的效率机制导致生成质量的提升常常伴随着难以承受的训练和部署成本。扩散模型本身就需要极其耗时的多步迭代去噪如果每一步都激活庞大的参数其计算开销将是灾难性的。因此本文的动机非常直接且极具现实意义我们能否以一种更加平衡的方式将LLM中高效的缩放原则和架构设计迁移到扩散Transformer中核心创新点系统性的“现代化”改造本文并没有把MoE仅仅当作一个简单的“即插即用”模块而是提出了一种名为ModernMOEMMOE的全新架构对SiT风格的扩散Transformer进行了系统性的“现代化”改造。这种改造不是一蹴而就的而是层层递进其创新点可以归纳为四大机制的有机结合引入了路由专家Routed experts实现基础的条件计算。引入了共享专家与轻量级专家Shared and lightweight experts提供零计算或低计算成本的捷径。设计了门控残差路由Gate-residual routing使路由决策在网络层间具有时间连贯性。提出了注意力残差信息复用Attention-residual information reuse跨越网络深度聚合历史状态。模型结构与数学原理深度解析MMOE对Transformer内部计算流程的重构逻辑非常清晰这种模块化的架构演进非常适合通过视觉插图来展现网络中数据流的复杂路由过程。我们可以结合论文中的核心示意图Fig. 1. Architecture of MMOE来深入理解其内部运作。在该图中左侧是传统的MoE模块仅仅是在自注意力层之后简单替换了前馈网络FFN而右侧的MMOE模块则展现了截然不同的高阶信息流转机制融合了MoE轻量级专家、门控残差路由以及注意力残差操作AttnRes Ops。1. MoE 专家层与轻量级路由在MMOE中传统的MLP子层被MoE专家层取代。对于输入特征h ∈ R D h \in \mathbb{R}^Dh∈RD路由器首先计算专家对数似然logits。区别于传统路由这里引入了门控残差。正如公式所示l i g ( h i ) A r i p r e v l_i g(h_i) A r_i^{prev}lig(hi)Ariprev当前的路由不仅依赖当前输入的特征h i h_ihi还继承了上一层专家网络的路由残差r i p r e v r_i^{prev}riprev经过矩阵A AA映射。这种设计能够使相邻层的激活模式保持一定的稳定性。更精妙的是专家池的构建。假设有E EE个专家MMOE不仅包含E − 4 E-4E−4个标准的重型MLP专家还特别设计了4个轻量级专家Lightweight experts1个复制专家Copy直接返回h hh1个零专家Zero直接返回 0以及2个常量专家Constant。常量专家会学习一个静态向量a j a_jaj并计算输入特征与该向量的动态混合f c o n s t , j ( h ) π j , 0 ( h ) h π j , 1 ( h ) a j f_{const,j}(h) \pi_{j,0}(h)h \pi_{j,1}(h)a_jfconst,j(h)πj,0(h)hπj,1(h)aj。这种设计意味着当模型判断某些视觉Token如背景或平缓区域不需要复杂的非线性变换时路由器可以直接将其分配给零专家或复制专家从而在保持网络总容量不变的前提下物理级别地跳过了昂贵的矩阵乘法运算。2. 注意力残差信息复用Attention-Residual扩散模型在生成过程中深层网络往往需要反复调用浅层提取的特征。结合Fig. 1. Architecture of MMOE右侧的α \alphaα操作单元MMOE维护了一个已完成的块状态列表C \mathcal{C}C和当前的偏态u uu。在每次进入自注意力层或MLP层之前模型会将这些历史状态拼接起来通过一个可学习的伪查询向量pseudo-queryq qq计算注意力权重α i s o f t m a x i ( q ⊤ R M S N o r m ( V i ) ) \alpha_i softmax_i(q^\top RMSNorm(V_i))αisoftmaxi(q⊤RMSNorm(Vi))并进行加权求和。这本质上是在网络深度方向上建立了一个动态的高速通道让深层模块能够“温故而知新”有效缓解了深层网络的梯度消失和特征遗忘。实验论证与图表解读论文的实验均在单节点8张H100 GPU上以256的批次大小进行400k步训练。在架构消融与收敛性方面Table I (MODERNIZATION PATH ON IMAGENET-256 CLASS-CONDITIONAL GENERATION…)清晰地记录了从密集SiT到MMOE的演进路径。数据显示最终的MMOE在400k步时达到了最低的FID3.75同时其单节点训练时间为67小时远低于仅使用注意力残差AMOE时的120小时。这一结果有力地证明了稀疏路由本身不足以提供最佳的性价比只有将路由与轻量级专家和表征复用结合起来才能在质量和成本之间找到最优解。这一点在Fig. 2 (FID convergence…)和Fig. 3 (Denoising-loss convergence…)的收敛曲线中得到了直观的印证MMOE的去噪损失在训练初期紧紧跟随基线随后便持续处于更低的水平实现了单步训练内更快的收敛速度。关于显存和计算效率Fig. 4 (Per-block activation memory…)给出了令人信服的证据。在参数量相同的条件下由于大量Token被路由到了无需复杂计算的轻量级专家Copy/Zero/ConstantMMOE相比于没有轻量级专家的AMOE在前向传播中减少了约20%的激活显存在反向传播中减少了约32%的显存开销。这种物理层面的资源节省对于解决高分辨率图像生成的显存瓶颈具有重要的指导意义。在对模型内部路由逻辑的探索上Table X (QUANTITATIVE ROUTING STATISTICS…)提供了一扇极佳的“可解释性”窗口。数据表明轻量级专家的使用率随着网络深度的增加而显著下降从浅层的44.6%降至深层的23.4%。这非常符合直觉网络浅层更多进行简单的局部特征提取可以大量使用恒等映射或零计算而深层负责复杂的语义构建因此越来越依赖重型的MLP专家进行精细化微调。此外相邻去噪步之间的路由切换率极低仅1.43%至2.71%说明网络在时间轴上学会了稳定的表征偏好。批判性分析与总结综合来看这篇论文在理论框架和工程实践上都具有极高的完成度。其最大的亮点在于将模型容量扩张与计算负载进行了优雅的解耦。通过引入MoE的轻量级专家机制打破了以往“大模型必伴随大计算”的魔咒而注意力残差结构的引入则巧妙弥补了稀疏网络容易产生的信息割裂问题。这种抽丝剥茧式的演进实验设计是一份极佳的现代神经网络架构分析范本。然而从批判性的角度审视该工作也存在一定的局限性。正如论文在讨论部分Section VI坦诚的目前的实验主要局限于ImageNet-256的类条件生成尚未在更加复杂的通用文本到图像Text-to-Image任务中验证其泛化能力。其次虽然理论上轻量级专家能节省大量计算FLOPs但由于当前多GPU分布式训练严重受限于底层通信开销如ncclAllReduce这种理论上的计算红利并不能完美等比例地转化为真实的物理时间缩短。这是当前所有稀疏大模型在底层算子和通信协同上面临的共同挑战。总而言之MMOE为扩散Transformer的下一步缩放指明了一条极具潜力的道路——不再盲目堆砌参数而是走向更加精细化的动态计算调度与特征复用。这不仅对前沿工业界有极高的实用价值其网络内部空间和时间上的专家调度逻辑也为深入理解深度生成模型的工作机制提供了绝佳的理论素材。欢迎使用Markdown编辑器你好 这是你第一次使用Markdown编辑器所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持除了标准的Markdown编辑器功能我们增加了如下几点新功能帮助你用它写博客全新的界面设计将会带来全新的写作体验在创作中心设置你喜爱的代码高亮样式Markdown将代码片显示选择的高亮样式进行展示增加了图片拖拽功能你可以将本地的图片直接拖拽到编辑区域直接展示全新的KaTeX数学公式语法增加了支持甘特图的mermaid语法1功能增加了多屏幕编辑Markdown文章功能增加了焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置等功能功能按钮位于编辑区域与预览区域中间增加了检查列表功能。功能快捷键撤销Ctrl/CommandZ重做Ctrl/CommandY加粗Ctrl/CommandB斜体Ctrl/CommandI标题Ctrl/CommandShiftH无序列表Ctrl/CommandShiftU有序列表Ctrl/CommandShiftO检查列表Ctrl/CommandShiftC插入代码Ctrl/CommandShiftK插入链接Ctrl/CommandShiftL插入图片Ctrl/CommandShiftG查找Ctrl/CommandF替换Ctrl/CommandG合理的创建标题有助于目录的生成直接输入1次#并按下space后将生成1级标题。输入2次#并按下space后将生成2级标题。以此类推我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。如何改变文本的样式强调文本强调文本加粗文本加粗文本标记文本删除文本引用文本H2O is是液体。210运算结果是 1024.插入链接与图片链接: link.图片:带尺寸的图片:居中的图片:居中并且带尺寸的图片:当然我们为了让用户更加便捷我们增加了图片拖拽功能。如何插入一段漂亮的代码片去博客设置页面选择一款你喜欢的代码片高亮样式下面展示同样高亮的代码片.// An highlighted blockvarfoobar;生成一个适合你的列表项目项目项目项目1项目2项目3计划任务完成任务创建一个表格一个简单的表格是这么创建的项目Value电脑$1600手机$12导管$1设定内容居中、居左、居右使用:---------:居中使用:----------居左使用----------:居右第一列第二列第三列第一列文本居中第二列文本居右第三列文本居左SmartyPantsSmartyPants 是一个文本转换工具主要功能是将普通的 ASCII 标点符号自动转换为更美观的印刷体标点符号。例如原始符号转换后说明引号“引号”直引号变弯引号单引号‘单引号’直单引号变弯单引号--–两个连字符变短破折号---—三个连字符变长破折号...…三个点变省略号创建一个自定义列表MarkdownText-to-HTMLconversion toolAuthorsJohnLuke如何创建一个注脚一个具有注脚的文本。2注释也是必不可少的Markdown将文本转换为HTML。KaTeX数学公式您可以使用渲染LaTeX数学表达式 KaTeX:Gamma公式展示Γ ( n ) ( n − 1 ) ! ∀ n ∈ N \Gamma(n) (n-1)!\quad\forall n\in\mathbb NΓ(n)(n−1)!∀n∈N是通过欧拉积分Γ ( z ) ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)∫0∞tz−1e−tdt.你可以找到更多关于的信息LaTeX数学表达式here.新的甘特图功能丰富你的文章2014-01-072014-01-092014-01-112014-01-132014-01-152014-01-172014-01-192014-01-21已完成进行中计划一计划二现有任务Adding GANTT diagram functionality to mermaid关于甘特图语法参考 这儿,UML图表可以使用UML图表进行渲染例如下面产生的一个序列图王五李四张三王五李四张三李四想了很长时间, 文字太长了不适合放在一行.你好李四, 最近怎么样?你最近怎么样王五我很好谢谢!我很好谢谢!打量着王五...很好... 王五, 你怎么样?关于UML图表语法参考 这儿,流程图链接长方形圆圆角长方形菱形关于Mermaid语法参考 这儿,FLowchart流程图我们依旧会支持flowchart.js的流程图语法Created with Raphaël 2.3.0开始我的操作确认结束yesno关于Flowchart流程图语法参考 这儿.导出与导入导出如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到文章导出生成一个.md文件或者.html文件进行本地保存。导入如果你想加载一篇你写过的.md文件在上方工具栏可以选择导入功能进行对应扩展名的文件导入继续你的创作。mermaid语法说明 ↩︎注脚的解释 ↩︎ 前沿速递 | MMOE：引入 MoE++ 机制，全面现代化 Diffusion Transformers
本文解读2026年7月挂arxiv上的一篇paper《MMOE: Modernizing diffusion transformers with efficient expert design》这篇论文提出了MMOEModernMOE架构通过将大语言模型中成熟的轻量级专家、门控残差路由和注意力残差复用等高效稀疏计算机制引入扩散Transformer在不盲目扩大总参数量和计算开销的前提下显著提升了视觉生成模型的收敛速度与生成质量。论文动机视觉生成大模型亟需的“降本增效”近年来大语言模型LLM之所以能够成功扩展参数规模很大程度上归功于以混合专家模型MoE为代表的稀疏计算架构它成功解耦了模型的总参数量与每次推理激活的计算量。然而在人工智能生成内容AIGC的基础模型中尤其是基于扩散Transformer如DiT、SiT的架构虽然也开始尝试引入MoE但早期的研究大多陷入了单纯堆叠专家数量和提高稀疏比例的误区。这种“暴力扩容”忽视了LLM在工程落地上至关重要的效率机制导致生成质量的提升常常伴随着难以承受的训练和部署成本。扩散模型本身就需要极其耗时的多步迭代去噪如果每一步都激活庞大的参数其计算开销将是灾难性的。因此本文的动机非常直接且极具现实意义我们能否以一种更加平衡的方式将LLM中高效的缩放原则和架构设计迁移到扩散Transformer中核心创新点系统性的“现代化”改造本文并没有把MoE仅仅当作一个简单的“即插即用”模块而是提出了一种名为ModernMOEMMOE的全新架构对SiT风格的扩散Transformer进行了系统性的“现代化”改造。这种改造不是一蹴而就的而是层层递进其创新点可以归纳为四大机制的有机结合引入了路由专家Routed experts实现基础的条件计算。引入了共享专家与轻量级专家Shared and lightweight experts提供零计算或低计算成本的捷径。设计了门控残差路由Gate-residual routing使路由决策在网络层间具有时间连贯性。提出了注意力残差信息复用Attention-residual information reuse跨越网络深度聚合历史状态。模型结构与数学原理深度解析MMOE对Transformer内部计算流程的重构逻辑非常清晰这种模块化的架构演进非常适合通过视觉插图来展现网络中数据流的复杂路由过程。我们可以结合论文中的核心示意图Fig. 1. Architecture of MMOE来深入理解其内部运作。在该图中左侧是传统的MoE模块仅仅是在自注意力层之后简单替换了前馈网络FFN而右侧的MMOE模块则展现了截然不同的高阶信息流转机制融合了MoE轻量级专家、门控残差路由以及注意力残差操作AttnRes Ops。1. MoE 专家层与轻量级路由在MMOE中传统的MLP子层被MoE专家层取代。对于输入特征h ∈ R D h \in \mathbb{R}^Dh∈RD路由器首先计算专家对数似然logits。区别于传统路由这里引入了门控残差。正如公式所示l i g ( h i ) A r i p r e v l_i g(h_i) A r_i^{prev}lig(hi)Ariprev当前的路由不仅依赖当前输入的特征h i h_ihi还继承了上一层专家网络的路由残差r i p r e v r_i^{prev}riprev经过矩阵A AA映射。这种设计能够使相邻层的激活模式保持一定的稳定性。更精妙的是专家池的构建。假设有E EE个专家MMOE不仅包含E − 4 E-4E−4个标准的重型MLP专家还特别设计了4个轻量级专家Lightweight experts1个复制专家Copy直接返回h hh1个零专家Zero直接返回 0以及2个常量专家Constant。常量专家会学习一个静态向量a j a_jaj并计算输入特征与该向量的动态混合f c o n s t , j ( h ) π j , 0 ( h ) h π j , 1 ( h ) a j f_{const,j}(h) \pi_{j,0}(h)h \pi_{j,1}(h)a_jfconst,j(h)πj,0(h)hπj,1(h)aj。这种设计意味着当模型判断某些视觉Token如背景或平缓区域不需要复杂的非线性变换时路由器可以直接将其分配给零专家或复制专家从而在保持网络总容量不变的前提下物理级别地跳过了昂贵的矩阵乘法运算。2. 注意力残差信息复用Attention-Residual扩散模型在生成过程中深层网络往往需要反复调用浅层提取的特征。结合Fig. 1. Architecture of MMOE右侧的α \alphaα操作单元MMOE维护了一个已完成的块状态列表C \mathcal{C}C和当前的偏态u uu。在每次进入自注意力层或MLP层之前模型会将这些历史状态拼接起来通过一个可学习的伪查询向量pseudo-queryq qq计算注意力权重α i s o f t m a x i ( q ⊤ R M S N o r m ( V i ) ) \alpha_i softmax_i(q^\top RMSNorm(V_i))αisoftmaxi(q⊤RMSNorm(Vi))并进行加权求和。这本质上是在网络深度方向上建立了一个动态的高速通道让深层模块能够“温故而知新”有效缓解了深层网络的梯度消失和特征遗忘。实验论证与图表解读论文的实验均在单节点8张H100 GPU上以256的批次大小进行400k步训练。在架构消融与收敛性方面Table I (MODERNIZATION PATH ON IMAGENET-256 CLASS-CONDITIONAL GENERATION…)清晰地记录了从密集SiT到MMOE的演进路径。数据显示最终的MMOE在400k步时达到了最低的FID3.75同时其单节点训练时间为67小时远低于仅使用注意力残差AMOE时的120小时。这一结果有力地证明了稀疏路由本身不足以提供最佳的性价比只有将路由与轻量级专家和表征复用结合起来才能在质量和成本之间找到最优解。这一点在Fig. 2 (FID convergence…)和Fig. 3 (Denoising-loss convergence…)的收敛曲线中得到了直观的印证MMOE的去噪损失在训练初期紧紧跟随基线随后便持续处于更低的水平实现了单步训练内更快的收敛速度。关于显存和计算效率Fig. 4 (Per-block activation memory…)给出了令人信服的证据。在参数量相同的条件下由于大量Token被路由到了无需复杂计算的轻量级专家Copy/Zero/ConstantMMOE相比于没有轻量级专家的AMOE在前向传播中减少了约20%的激活显存在反向传播中减少了约32%的显存开销。这种物理层面的资源节省对于解决高分辨率图像生成的显存瓶颈具有重要的指导意义。在对模型内部路由逻辑的探索上Table X (QUANTITATIVE ROUTING STATISTICS…)提供了一扇极佳的“可解释性”窗口。数据表明轻量级专家的使用率随着网络深度的增加而显著下降从浅层的44.6%降至深层的23.4%。这非常符合直觉网络浅层更多进行简单的局部特征提取可以大量使用恒等映射或零计算而深层负责复杂的语义构建因此越来越依赖重型的MLP专家进行精细化微调。此外相邻去噪步之间的路由切换率极低仅1.43%至2.71%说明网络在时间轴上学会了稳定的表征偏好。批判性分析与总结综合来看这篇论文在理论框架和工程实践上都具有极高的完成度。其最大的亮点在于将模型容量扩张与计算负载进行了优雅的解耦。通过引入MoE的轻量级专家机制打破了以往“大模型必伴随大计算”的魔咒而注意力残差结构的引入则巧妙弥补了稀疏网络容易产生的信息割裂问题。这种抽丝剥茧式的演进实验设计是一份极佳的现代神经网络架构分析范本。然而从批判性的角度审视该工作也存在一定的局限性。正如论文在讨论部分Section VI坦诚的目前的实验主要局限于ImageNet-256的类条件生成尚未在更加复杂的通用文本到图像Text-to-Image任务中验证其泛化能力。其次虽然理论上轻量级专家能节省大量计算FLOPs但由于当前多GPU分布式训练严重受限于底层通信开销如ncclAllReduce这种理论上的计算红利并不能完美等比例地转化为真实的物理时间缩短。这是当前所有稀疏大模型在底层算子和通信协同上面临的共同挑战。总而言之MMOE为扩散Transformer的下一步缩放指明了一条极具潜力的道路——不再盲目堆砌参数而是走向更加精细化的动态计算调度与特征复用。这不仅对前沿工业界有极高的实用价值其网络内部空间和时间上的专家调度逻辑也为深入理解深度生成模型的工作机制提供了绝佳的理论素材。欢迎使用Markdown编辑器你好 这是你第一次使用Markdown编辑器所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持除了标准的Markdown编辑器功能我们增加了如下几点新功能帮助你用它写博客全新的界面设计将会带来全新的写作体验在创作中心设置你喜爱的代码高亮样式Markdown将代码片显示选择的高亮样式进行展示增加了图片拖拽功能你可以将本地的图片直接拖拽到编辑区域直接展示全新的KaTeX数学公式语法增加了支持甘特图的mermaid语法1功能增加了多屏幕编辑Markdown文章功能增加了焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置等功能功能按钮位于编辑区域与预览区域中间增加了检查列表功能。功能快捷键撤销Ctrl/CommandZ重做Ctrl/CommandY加粗Ctrl/CommandB斜体Ctrl/CommandI标题Ctrl/CommandShiftH无序列表Ctrl/CommandShiftU有序列表Ctrl/CommandShiftO检查列表Ctrl/CommandShiftC插入代码Ctrl/CommandShiftK插入链接Ctrl/CommandShiftL插入图片Ctrl/CommandShiftG查找Ctrl/CommandF替换Ctrl/CommandG合理的创建标题有助于目录的生成直接输入1次#并按下space后将生成1级标题。输入2次#并按下space后将生成2级标题。以此类推我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。如何改变文本的样式强调文本强调文本加粗文本加粗文本标记文本删除文本引用文本H2O is是液体。210运算结果是 1024.插入链接与图片链接: link.图片:带尺寸的图片:居中的图片:居中并且带尺寸的图片:当然我们为了让用户更加便捷我们增加了图片拖拽功能。如何插入一段漂亮的代码片去博客设置页面选择一款你喜欢的代码片高亮样式下面展示同样高亮的代码片.// An highlighted blockvarfoobar;生成一个适合你的列表项目项目项目项目1项目2项目3计划任务完成任务创建一个表格一个简单的表格是这么创建的项目Value电脑$1600手机$12导管$1设定内容居中、居左、居右使用:---------:居中使用:----------居左使用----------:居右第一列第二列第三列第一列文本居中第二列文本居右第三列文本居左SmartyPantsSmartyPants 是一个文本转换工具主要功能是将普通的 ASCII 标点符号自动转换为更美观的印刷体标点符号。例如原始符号转换后说明引号“引号”直引号变弯引号单引号‘单引号’直单引号变弯单引号--–两个连字符变短破折号---—三个连字符变长破折号...…三个点变省略号创建一个自定义列表MarkdownText-to-HTMLconversion toolAuthorsJohnLuke如何创建一个注脚一个具有注脚的文本。2注释也是必不可少的Markdown将文本转换为HTML。KaTeX数学公式您可以使用渲染LaTeX数学表达式 KaTeX:Gamma公式展示Γ ( n ) ( n − 1 ) ! ∀ n ∈ N \Gamma(n) (n-1)!\quad\forall n\in\mathbb NΓ(n)(n−1)!∀n∈N是通过欧拉积分Γ ( z ) ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)∫0∞tz−1e−tdt.你可以找到更多关于的信息LaTeX数学表达式here.新的甘特图功能丰富你的文章2014-01-072014-01-092014-01-112014-01-132014-01-152014-01-172014-01-192014-01-21已完成进行中计划一计划二现有任务Adding GANTT diagram functionality to mermaid关于甘特图语法参考 这儿,UML图表可以使用UML图表进行渲染例如下面产生的一个序列图王五李四张三王五李四张三李四想了很长时间, 文字太长了不适合放在一行.你好李四, 最近怎么样?你最近怎么样王五我很好谢谢!我很好谢谢!打量着王五...很好... 王五, 你怎么样?关于UML图表语法参考 这儿,流程图链接长方形圆圆角长方形菱形关于Mermaid语法参考 这儿,FLowchart流程图我们依旧会支持flowchart.js的流程图语法Created with Raphaël 2.3.0开始我的操作确认结束yesno关于Flowchart流程图语法参考 这儿.导出与导入导出如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到文章导出生成一个.md文件或者.html文件进行本地保存。导入如果你想加载一篇你写过的.md文件在上方工具栏可以选择导入功能进行对应扩展名的文件导入继续你的创作。mermaid语法说明 ↩︎注脚的解释 ↩︎