混合专家（MoE）已成为高效扩展视觉Transformer（ViT）的流行范式。为保障计算可扩展性并防止专家过载，视觉MoE架构采用了容量受限的令牌调度机制，每个专家的处理预算依赖于推理批次大小。本工作将这一批次依赖行为识别为被忽视的攻击面，并提出一种隐秘的供应链后门攻击，利用该属性通过三阶段框架实现：首先，在早期MoE层注入后门；其次，在深层MoE层训练一个中和器，在正常容量下抑制后门；最后，配置一个批次自适应容量因子，使小批次时保持高容量，而大批次时降低容量，从而在部署规模批次下通过令牌溢出自然停用中和器。攻击在小批次安全审计期间保持休眠状态，在大批次部署时进入激活状态。在V-MoE和Swin-MoE架构上，对ImageNet-100和GTSRB数据集的实验表明，激活模式下的攻击成功率（ASR）为76-87%，休眠模式ASR低于9%，同时能规避Neural Cleanse、STRIP、Fine-Pruning和Activation Clustering等检测方法。该研究揭示了可扩展视觉MoE架构中由批次依赖执行带来的基本安全风险。