LPLB 是一个基于线性规划的开源负载均衡器，专为 MoE 模型设计。它通过实时收集专家工作负载数据，动态重新排序和复制专家，利用线性规划优化每个批次的 token 分配，从而实现更均衡的计算负载。
项目还集成了 EPLB（专家并行负载均衡器），支持多种专家拓扑结构（如立方体、超立方体和环面），并借助 NVIDIA 的 cuSolverDx 和 cuBLASDx 实现高效线性代数计算。适合希望提升 MoE 训练性能的研究者和开发者。
主要特点：
- 利用线性规划动态优化 token 分配，减少批次间负载波动；
- 支持冗余专家复制和专家重排序，缓解静态和动态负载不均；
- 集成高效 LP 求解器，基于单 SM 内点法实现；
- 支持多种专家拓扑结构，灵活适配不同规模的 GPU 集群；
- 兼容 CUDA 12.6.3+，依赖 NVIDIA 相关库实现加速；
- 提供完整接口和示例代码，方便研究和二次开发。
当前处于早期研究阶段，性能和稳定性还在持续优化中。适合深度学习领域关注 MoE 训练负载均衡的团队参考使用
