自然数据在语义类别上通常呈现长尾分布。现有的识别方法通过类别重平衡/加权或对不同数据组进行集成等方式，加强对尾部样本的关注，从而提升尾部类别的识别准确率，但往往以牺牲头部类别的准确率为代价。本文从动态视角审视训练数据，针对训练数据波动情况，提供了模型偏差与方差的理论分析：现有长尾分类器在训练过程中不可避免地导致模型方差增大，且头部与尾部之间的模型偏差差距依然显著，其根源在于尾部样本与难负样本之间存在更多且更严重的混淆。为此，我们提出一种新型长尾分类器——RoutIng Diverse Experts（RIDE）。RIDE通过引入多个专家网络降低模型方差，借助感知数据分布的多样性损失函数减少模型偏差，并利用动态专家路由模块有效降低计算开销。在CIFAR100-LT、ImageNet-LT和iNaturalist 2018等基准测试中，RIDE相较当前最先进方法实现了5%至7%的性能提升。此外，RIDE具备良好的通用性，可适配多种主干网络、长尾学习算法及训练机制，均能带来一致的性能增益。项目代码已开源，地址为：https://github.com/frank-xwang/RIDE-LongTailRecognition。