Los modelos de lenguaje basados en Mixture-of-Experts (MoE) han revolucionado la eficiencia computacional al activar solo un subconjunto de expertos por token, reduciendo drásticamente el coste de inferencia. Sin embargo, el despliegue en producción sigue requiriendo almacenar la totalidad de los expertos, lo que hace que la poda de expertos en un solo paso se convierta en una técnica práctica para reducir el uso de memoria sin necesidad de reentrenamiento. Hasta ahora, los criterios de poda utilizados eran mayoritariamente heurísticos y ninguno demostraba ser óptimo de forma universal. Investigaciones recientes proponen una formulación unificada para la poda de expertos MoE que organiza el proceso en torno a tres factores clave: frecuencia de enrutamiento, ponderación de puertas y fuerza de activación. Esta visión sistemática no solo permite entender mejor los criterios existentes, sino que da lugar a un principio de selección: para escenarios sin tarea específica (task-agnostic), los criterios basados en activación promediada por tokens enrutados y sin ponderación de puertas son los más robustos; mientras que para escenarios donde se conoce la tarea (task-specific), conviene retener información de frecuencia de enrutamiento y ponderación de puertas. A partir de esta formulación surgen dos nuevos criterios, MAN y MSAN, que evalúan la activación media y la activación cuadrática media, respectivamente. En experimentos con cuatro modelos MoE representativos y 16 benchmarks diversos, estos criterios obtienen los mejores promedios de rendimiento en el contexto task-agnostic, mejorando hasta 8.8 puntos respecto al mejor criterio heurístico. Para las empresas que buscan optimizar sus modelos de lenguaje y desplegar soluciones de inteligencia artificial de manera eficiente, entender estas técnicas de poda es clave. En Q2BSTUDIO ayudamos a las organizaciones a integrar ia para empresas con un enfoque práctico, ya sea mediante aplicaciones a medida o utilizando servicios cloud aws y azure para facilitar el escalado. Además, combinamos estas capacidades con agentes IA personalizados y soluciones de ciberseguridad, así como con servicios inteligencia de negocio basados en power bi para extraer todo el valor de los datos. Nuestro equipo desarrolla software a medida que se adapta a las necesidades específicas de cada proyecto, garantizando que la implementación de modelos MoE o cualquier otra arquitectura de inteligencia artificial se realice con criterios sólidos y eficiencia real. La poda de expertos no es solo un problema académico; tiene implicaciones directas en el coste operativo y la latencia de los sistemas de IA, y entender cómo seleccionar el criterio adecuado puede marcar la diferencia entre una solución viable y un despliegue ineficiente.