模型融合新范式：SoCE方法如何通过类别专家加权实现大语言模型性能突破

2025年11月21日上午11:30 • AI产业动态 • 阅读 4

在大语言模型（LLM）快速发展的今天，模型训练对算力和时间的依赖已成为制约技术迭代的关键瓶颈。传统的训练方法需要庞大的计算资源和精细的流程设计，而模型融合（Model Souping）作为一种轻量化的替代方案，通过权重平均融合多个同架构模型，在降低成本的同时实现能力互补。然而，传统的均匀平均方法往往忽视了不同任务类别间的性能差异，导致融合效果受限。近期，Meta与伦敦大学学院的研究团队提出的类专家Soup（Soup Of Category Experts, SoCE）方法，通过系统化的类别分析和非均匀加权策略，为模型融合领域带来了突破性进展。

SoCE方法的理论基础建立在关键观察之上：不同基准测试类别之间的模型性能呈现弱相关性。这意味着一个模型在特定类别上表现优异，并不保证在其他类别上同样出色。例如，在Berkeley Function Calling Leaderboard（BFCL）中，多轮函数调用任务之间的相关性高达0.96-0.98，而结构化任务与开放式用户采集任务之间的相关性仅为0.07。这种异质的相关结构揭示了模型能力的专长分化，为选择性融合提供了科学依据。

SoCE方法的核心流程包含四个系统化步骤：首先进行相关性分析，识别基准测试中弱相关或不相关的类别对；接着为每个类别簇选择表现最优的专家模型；然后通过权重优化搜索最佳加权方案；最后执行加权模型融合。权重优化阶段采用网格搜索策略，对每个模型的权重在0.1到0.9范围内以0.1为步长进行遍历，确保找到全局最优解。这种方法摒弃了传统均匀平均的简单处理，实现了基于数据驱动的智能融合。

实验验证充分证明了SoCE方法的有效性。在BFCL基准测试中，70B参数模型经过SoCE融合后达到80.68%的准确率，创造了新的SOTA记录，相比最佳单模型xLAM-2-70b-fc-r提升了2.7%。最优融合配置由xLAM-2-70b-fc-r（权重0.5）、CoALM-70B（权重0.2）和watt-tool-70B（权重0.3）组成。对于8B参数模型，SoCE同样展现出显著优势，达到76.50%的准确率，相对xLAM-2-8b-fc-r提升5.7%，最优权重配置为0.7、0.2和0.1。这些结果不仅证明了SoCE在不同规模模型上的普适性，更揭示了非均匀加权策略的科学价值。

消融研究进一步验证了SoCE各组件的重要性。无论是70B还是8B模型，专家模型选择步骤都带来了明显的性能提升，这表明基于类别专长的选择性融合比随机或均匀融合更加有效。在多语言数学推理基准MGSM上的实验显示，SoCE的表现优于所有候选模型及平均融合方法，证明了该方法在多样化任务场景中的稳健性。

深入分析融合后的模型特性，研究者发现了两个重要现象：首先，模型融合后类别间的线性相关性显著提升，这表明SoCE方法能够有效整合不同模型的优势，形成更加均衡的能力分布；其次，在37项模型融合实验中，有35项实验显示融合模型在超过20个类别上指标得分更高，且所有类别的净性能增益均为正。这种全面的性能提升证明了SoCE方法不仅不会造成能力损失，反而能够实现真正的能力增强。

从技术实现角度看，SoCE方法的创新之处在于将模型融合从简单的算术操作升级为系统化的优化过程。通过基准测试的类别构成分析，SoCE能够识别模型能力的互补模式，为每个弱相关类别簇匹配合适的专家模型。这种基于数据驱动的融合策略，相比传统方法具有更强的理论基础和可解释性。同时，权重优化算法的引入，使得模型融合不再是经验性的尝试，而是可量化、可复现的科学过程。

在实际应用中，SoCE方法展现出广阔的应用前景。对于资源受限的研究机构和企业，通过融合现有开源模型而非从头训练，可以大幅降低计算成本和时间开销。在多语言处理、工具调用、数学推理等特定领域，SoCE能够快速构建高性能专用模型，满足垂直场景的需求。更重要的是，这种方法为模型持续优化提供了新思路——通过不断融入新的专家模型，实现能力的迭代升级。

展望未来，SoCE方法的发展方向值得关注。首先，如何将类别分析扩展到更细粒度的能力维度，实现更精准的专家匹配；其次，权重优化算法可以引入更先进的搜索策略，如贝叶斯优化或强化学习，提升效率；最后，将SoCE与模型蒸馏、剪枝等技术结合，形成完整的模型优化体系。这些探索将进一步推动大语言模型在效率与性能之间的平衡发展。