在 Core Space 中准确且高效地合并低秩模型

基于摘要分析。本文研究大型神经网络的低秩适配模型合并：LoRA 降低了微调成本，但现有合并方法常转而处理完整尺寸的权重矩阵，削弱低秩适配的效率优势。作者提出 Core Space 合并框架，在共同对齐基底内合并 LoRA 适配模型，以保留低秩计算优势并改善多任务表现。 核心机制是将待合并的低秩适配表示投影到共同的 Core Space，再在其中执行模型合并。作者报告给出了投影不损失信息的形式化证明，以及说明效率收益的复杂度分析；但摘要未提供基底构造、投影公式、无损结论的适用条件或具体合并算子，因此不能将该结论扩展为任意压缩操作均无损，也不能理解为合并后任务性能必然不下降。 在视觉和语言任务上，作者报告 Core Space 能改善既有合并技术，以较少计算资源取得其所称的最先进结果。摘要没有列出数据集、模型规模、指标、对照基线及资源测量条件，暂不能量化收益或判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现与复现条件尚未核对。 平台推测（待验证）：若多个 EEG 任务或被试的适配器共享同一基础模型和兼容参数结构，该框架可能用于降低适配器合并开销；可复用共同基底与低秩合并模块，但需适配 EEG 编码器的参数位置并处理跨被试差异。该假设对应的是多适配器整合成本，而非直接解决 EEG 低信噪比问题；小数据适配噪声、通道差异及任务冲突仍可能使合并性能下降。一个可检验的小实验是固定 EEG 编码器和 LoRA 配置，在严格隔离训练与测试被试的 Cross-subject 协议下，比较 Core Space 合并与完整权重空间合并的同一任务指标、峰值内存及耗时。已有 EEG 相关工作尚未检索确认。