Mixture‑of‑Experts（MoE）语言模型在生成每个 token 时只激活少数专家子网。为提升吞吐，服务框架会进一步削减每个 token 使用的专家数量，并在标准准确率基准上验证其效果。我们发现，这类削减会削弱模型对有害请求的拒绝能力。为此提出 SafeStart：在保持大部分加速的前提下，显著恢复拒绝行为。\n\n在一块 RTX A6000 上使用 vLLM，保留约三分之二的选中专家可使离线解码在 batch=8 时提升 15%‑28%。在一次让模型不拒绝的 jailbreak 场景下，Qwen1.5‑MoE、OLMoE、DeepSeek‑V2‑Lite 三个模型的有害请求响应率分别上升 18.4、9.5、6.6 个百分点，而 MMLU 准确率下降不足两分。进一步分析表明，增长主要发生在处理提示和生成前几 token 时。\n\nSafeStart 的做法是：对提示以及前八个生成 token 使用全部专家，其后再切换到精简专家集合，并通过 vLLM 的融合 kernel 实现。实验显示，在 batch=8 与 32 时，离线解码加速仍保持至少 85%，三种专家削减方法在上述三模型上的安全变化介于 -2.1 到 +1.3 分之间。对 889 条未见请求的离线分析表明，截断会使有害合规性提升 5.8‑21.4 分，而 SafeStart 只导致 0.6‑2.6 分的提升，且在两模型上不逊于原始模型。\n\n我们的结论是：加速 MoE 服务不必以安全为代价。只要在每次响应的开头运行全部专家，并在部署前评估拒绝率而非单纯准确率，就能兼顾速度与安全。\n\n点评：SafeStart 在保持显著加速的同时，有效抑制了因专家削减导致的安全退化，为实际部署提供了可行的安全保障方案。