访问集合至关重要：为可扩展的权重空间模型合并分配专家读取预算

基于摘要分析。本文研究 LLM 权重空间模型合并中的读取成本瓶颈，提出预算感知执行层 MergePipe：在给定合并算子、且各检查点共享权重坐标系的前提下，选择显式 I/O 预算内需要访问的专家权重增量块，而非默认读取所有专家权重。其主要贡献是将合并执行转化为专家访问集合规划问题。 机制上，MergePipe 对参数块建立索引，生成确定性的访问计划，并通过可重放清单执行相应的预算化合并。作者称，计划在构造上满足预算约束，预算足够时可恢复完整读取的合并结果；对于固定系数的加性合并算子，遗漏更新的误差可由被省略增量的范数界定。该误差界有明确的算子条件，不能直接推广至任意合并方法，也不等同于下游任务性能保证。 作者报告，在 Qwen 和 Llama 的模型合并工作负载中，专家读取 I/O 最多减少一个数量级，最高实现 11 倍加速；代表性的预算扫描中，相对完整读取合并的参数偏差为 O(10^{-3})，下游基准未呈现单调退化。摘要未给出具体模型规模、基准名称、预算点、硬件和计时范围，也未说明参数偏差的度量与归一化方式，因此这些结果只能按所述工作负载理解，不能解读为普遍无损加速。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 基础模型的多个微调检查点共享权重坐标系，且权重合并确有显著读取开销，这类访问预算机制可能用于降低合并成本；它并非 EEG 解码算法，也未提供 BCI 有效性证据。模型规模较小或读取并非瓶颈时，执行规划开销可能抵消收益。已有 EEG 相关工作尚未检索确认。