香港科技大学新研究：为什么把多个AI"技能模块"合并总会变差？

模型合并的“阿喀琉斯之踵”：香港科大团队发现LoRA性能下降的根源与低成本修复方案

这项由香港科技大学研究团队完成的研究以预印本形式发布于2026年4月，论文编号为arXiv:2604.16826，有兴趣深入了解的读者可通过该编号查询完整论文。

不妨把今天的AI大模型想象成一个天赋异禀的学生。你可以针对性地训练它，让它成为数学专家、编程高手、金融分析师或者医学顾问，每个方向都能培养出一个“专科状元”。但现实的需求往往更复杂：我们想要的，是一个能同时精通数学、编程、金融和医学的“全能型选手”。怎么办？

最直接的办法，是把所有领域的数据混在一起，从头开始训练一个新模型。但这耗时耗力，成本高昂。既然手头已经有了几个训练有素的“专科状元”，一个很自然的想法是：能不能把他们“合并”成一个全才？这正是AI领域里“模型合并”技术试图解决的问题——将多个专门训练好的模块组合起来，期望得到一个集各家所长的综合体。

然而，理想很丰满，现实却很骨感。多次尝试表明，合并后的模型表现往往不尽如人意，甚至还不如单个的专科模块。这就像把几位顶级厨师强行合并成一个人，结果他可能连一道拿手菜都做不出来了。问题到底出在哪里？这个谜团一直困扰着研究人员。

一、先搞清楚AI的“技能模块”是怎么工作的

要理解这项研究的突破，首先得弄明白现代AI是如何高效“学习新技能”的。

大型语言模型的参数动辄数百亿，每次学习新领域都调整全部参数，代价难以承受。于是，一种名为LoRA（低秩适配）的技术应运而生。

打个比方，AI的整个知识体系好比一本厚重的百科全书。LoRA的做法不是去修改原书内容，而是在书页旁贴上一张极其精简的“便利贴”，上面只记录某个特定领域的补充知识。这张“便利贴”体积微小，却能让AI在该领域表现出色。

从数学上看，这张“便利贴”被表述为两个矩阵的乘积：ΔW = B × A。其中，A矩阵负责将输入信息“压缩”到一个低维空间，B矩阵则负责将这个低维表示“展开”回输出空间。两者的乘积，就是实际生效的“知识补丁”。

正因为LoRA模块如此轻量，如今网络上存在着成千上万针对不同任务训练好的LoRA模块，形成了一个庞大的“技能库”。理论上，合并这些模块就能打造一个多面手。但合并后效果变差这个顽疾，始终是横在面前的一道坎。

二、抽丝剥茧：问题到底藏在哪里

研究团队没有泛泛地探讨“合并为何失败”，而是将问题拆解到了更微观的层面：在ΔW = B × A这个等式中，究竟是A出了问题，还是B出了问题，抑或是两者都有责任？

为此，他们基于同一个基础模型，训练了数学推理、代码编写、金融分析、医学问答四个领域的LoRA模块。接着，他们测量了这些模块之间A矩阵和B矩阵的“相似度”。这里引入了一个关键概念——“子空间重叠度”。可以理解为，每个LoRA模块在一个多维空间中占据了一片“知识领土”。如果两个模块的领土大量重叠，说明它们用几乎相同的方向存储知识；如果互不干扰，则说明它们各自拥有独立的知识空间。

测量结果出人意料。A矩阵的情况还算理想——数学、编程、金融、医学四个领域的A矩阵彼此重叠度很低，就像四位学者在城市的不同区域建立了自己的研究室，互不干扰。但B矩阵的情况截然不同：四个领域的B矩阵高度重叠，仿佛这四位学者不约而同地挤进了市中心的同一栋大楼，甚至使用着相同的几间核心办公室来表达各自的知识。

这种差异随着LoRA的“秩”（可以理解为“便利贴”的信息容量）增大而愈发明显。当秩为64时，在查询投影模块中，B矩阵的平均重叠度达到0.0839，而A矩阵仅为0.0172。而且，这个规律具有普适性——在所有被测量的网络层和模块配对中，B矩阵的重叠度几乎总是高于A矩阵。

第二个发现更值得玩味：B矩阵不仅重叠度高，其实际使用的“有效方向”数量也极少。在秩为64的设置下，B矩阵的平均有效秩只有约2.9，而A矩阵则高达6.5。这意味着，即便“便利贴”理论上提供了64个存储层，B矩阵实际上只动用了其中大约3层，而这区区3层，恰恰是所有领域共同依赖的那几层。

团队进一步分析了这些共享方向的“贡献度”。以第16层查询投影矩阵为例，将四个领域的B矩阵叠加分析后发现，排名第一的共享方向就占据了总能量的相当大部分，前3个共享方向合计贡献了53.7%的能量，前5个更是达到了68.8%。换句话说，近七成的“共享知识”都拥挤在最前面的5个方向里。

而且，这些共享方向的“来源”并不均衡——金融、数学、医学领域对这些主导方向的贡献明显多于编程领域。这意味着在合并时，像编程这样对共享方向贡献较少的领域，其独特知识更容易被淹没。

三、为什么合并会失败：一个简单的数学道理

理解了上述发现，合并失败的原因就一目了然了。

回到便利贴的比喻。假设数学模块的B矩阵有一个突出的“方向X”，强度为3分。巧的是，金融、医学、编程模块的B矩阵也有同样的“方向X”，强度也都是3分。当四个模块直接取平均合并时，“方向X”在合并结果中的强度被完整保留（4×3÷4=3分）。然而，每个模块独有的、其他模块没有的“专属方向”，在合并时却被稀释到只剩原来的四分之一（0.75分）。

于是，合并前“共享方向”与“专属方向”的比例是3:3，合并后却变成了3:0.75，即4:1。共享知识被放大了，专属知识却被严重压缩。需要合并的领域数量（T）越多，这种失衡就越严重——比例会扩大T倍。这就是合并后模型在每个具体领域都表现下滑的根源：各领域的独特知识被稀释成了零头，而那些通用的、被反复累加的方向却主导了全局。

更棘手的是，这个问题主要集中在B矩阵，而现有的合并方法几乎都未对B矩阵进行专门处理——大家习惯性地将ΔW=B×A视为一个整体来操作，完全忽略了A和B在合并过程中扮演的不同角色。

四、Pico：一针见血的修复方案

既然问题根源于B矩阵中少数方向被过度共享，修复思路也就清晰了：在合并之前，先对B矩阵里那些“嗓门过大”的共享方向进行“降调”处理，抑制其强势地位，为各领域的专属方向腾出表达空间。

这项研究提出的方法名为Pico（合并前输出空间干扰校准），其工作流程如同一位调音师在乐队合奏前校准每件乐器的音量，可分为四个步骤：

第一步，识别共享方向。 对于模型的每一层，Pico将所有领域的B矩阵横向拼接，进行奇异值分解。这个过程能提取出一组“共同基向量”及其使用强度，就像分析乐队合奏录音，找出哪些频率出现得最频繁、最响亮。

第二步，计算校准系数。 针对每个共享方向，Pico计算一个“共享程度分数”。分数越高，说明该方向被各领域共同依赖的程度越深。随后，根据此分数计算一个缩放系数：完全独享的方向（分数近0）保持不变；而占据主导的共享方向则被压缩，其缩放系数向1/T靠近（T为待合并的模块数）。这相当于调音师把过于突出的频率调低，以实现声音平衡。

第三步，应用校准并合并。 利用上述系数构建校准算子，作用于每个领域的B矩阵，得到“校准后的B矩阵”，再重新组合成校准后的知识更新量。随后，使用常规合并方法（如任务算术、TIES或TSV-M）对这些校准后的更新量进行合并。关键在于，A矩阵全程保持不变——因为各领域的A矩阵本就差异显著，无需校准。

第四步，重新调整幅度。 校准过程会压缩一些方向，可能导致合并后的更新量整体“力度”减弱。为保证合并后的模型仍有足够的“强度”，Pico最后会将合并结果乘以一个缩放因子，使其幅度恢复到各原始模块的平均水平。

整个Pico流程无需任何额外训练数据，仅依赖已有的各领域LoRA模块本身，计算代价极低。它并非一个全新的合并算法，而是一个可以“即插即用”的预处理步骤，能够无缝接入任何现有合并方法的前端。

五、实验结果：数字背后的故事

研究团队在数学、编程、金融、医学四个领域的八个基准测试上进行了全面评估。对比方法包括不校准的基线，以及DARE、DELLA、KnOTS、Core Space等当前先进的合并优化技术。

在三种主流合并框架上，Pico均带来了显著提升。以“任务算术”框架为例，未校准的基线整体平均分为0.4093，加入Pico后跃升至0.4430，绝对提升3.4个百分点，表现远超其他对比方法。

更具说服力的是与“联合多任务训练”的对比。如果将四个领域的数据混合从头训练一个统一的LoRA模块，其整体平均分为0.3688。而经Pico校准后再合并的结果（0.4430）反而高出约7.4个百分点。这表明，精心校准的合并方法不仅省去了重新训练的巨额成本，其效果甚至可能优于从零开始的联合训练。

各专科模块的数据也印证了合并的必要性：数学LoRA在数学领域得分0.2830，但在编程领域仅0.1090；编程LoRA虽在编程领域强势（0.3598），在其他领域则表现平平。这种“偏科”格局，正是模型合并技术试图打破的。而经Pico合并后的模型，在每个领域都取得了相当均衡且优秀的表现。

六、细节追究：每个设计选择都有理由

通过一系列消融实验，研究团队验证了Pico每个环节的必要性。

在校准对象的选择上，实验清晰地表明：只校准B矩阵效果最佳（整体均分0.4430）。校准A矩阵反而会损害性能（0.3916），同时校准整个更新量效果更差（0.3743）。这与理论分析完全吻合——A矩阵本就承载了足够的领域特异性，不应被破坏；问题症结确实集中在B矩阵。

最后的“幅度恢复”步骤是否多余？实验给出了否定答案。去掉此步骤后，整体均分从0.4430下降至0.3908。尽管方向校准正确，但整体更新信号过弱，导致在某些领域表现大幅下滑。幅度恢复确保了合并后的模型拥有足够的“表达力度”。

鲁棒性测试显示，Pico在不同LoRA秩（8, 16, 32, 64）的设置下均保持最优性能。特别是在TSV-M框架下，未校准时，性能随秩增大而显著衰减；而Pico加持下的TSV-M则稳定在0.43以上，完全抵御了这种衰减。

此外，在另一基础模型上的迁移实验，以及模拟实际应用的“渐进式合并”场景测试中，Pico都表现出了稳定的优越性和更强的鲁棒性。

七、为什么现有方法不够用，Pico的位置在哪里

梳理相关工作可以发现，现有大多数合并优化方法，无论是参数稀疏化、幅度采样，还是解决符号冲突或共享空间对齐，都是将ΔW=B×A视为一个整体来处理。它们从未深入探究：这个整体内部，A和B各自扮演了什么角色？问题究竟源于哪一部分？

Pico的独特价值在于，它直指问题的根源——LoRA分解的内部结构。它并非发明一种新的合并算法，而是在合并前对B矩阵这一特定源头进行修正。正因它是一个预处理步骤，才能以“插件”形式兼容任何现有的合并方法。

归根结底，这项研究揭示了一个被长期忽视的关键事实：LoRA模块中的A矩阵和B矩阵在训练中扮演着不对称的角色，因此在合并时必须区别对待。将它们混为一谈，就像合并乐队时只调节总音量，而不理会每件乐器的音色平衡，结果只能是混乱的合奏。

Pico所做的，就是在合并前仔细分析B矩阵的“声谱”，压制那些被所有“乐手”过度使用的频率，然后再进行融合。最终，合奏既保留了每支乐队的特色，又达成了和谐的整体效果。

这项研究给模型合并领域带来的最大启示，或许不仅仅是Pico这个具体工具，更是一种方法论层面的提醒：当复杂系统出现问题时，不应只停留在表面修补，而要敢于深入其内部结构，找到真正的不对称性，从而对症下药。对于AI技术发展而言，这意味着“将多个专业AI模块合并成全能助手”的愿景，正变得更加高效和可行。未来，我们或许能以极低的成本，快速整合出既精通编程、又通晓金融和医学的AI伙伴，而不必每次都耗费巨资从头训练。

Q&A

Q1：LoRA模型合并为什么总会导致性能下降？

A：核心原因在于B矩阵中存在大量被各任务共享的方向。直接合并时，这些共享方向被反复叠加，在最终结果中占据主导，而各任务独有的知识则被大幅稀释，导致模型在每个具体领域的表现都出现下滑。

Q2：Pico方法需要额外的训练数据吗？

A：完全不需要。Pico是一种数据无关的预处理方法，仅利用已有的各领域LoRA模块本身，通过对B矩阵进行奇异值分解来识别并校准过度共享的方向，不依赖任何额外数据，计算开销也很小。

Q3：Pico合并的效果能超过把所有数据混在一起重新训练的联合模型吗？

A：在该研究的实验设置下，经过Pico校准后再合并的结果，其整体表现超过了将所有领域数据混合后进行联合训练得到的模型。这表明，校准后的合并策略在节省大量训练成本的同时，有可能获得更优的性能。