日本AI实验室Sakana AI开发的新型进化技术，使开发者无需昂贵训练和微调即可增强AI模型能力。这项名为"自然生态位模型合并"（M2N2）的技术突破了传统模型合并方法的局限，甚至能从零开始进化全新模型。
M2N2适用于各类机器学习模型，包括大语言模型（LLM）和文生图系统。对企业用户而言，该技术通过整合现有开源模型的优势，提供了一种高效构建专业模型的创新方案。
模型合并的本质
模型合并是将多个专业AI模型的知识整合为单一强化模型的技术。不同于需要新数据进行微调的传统方法，合并直接同步整合多个模型的参数。这一过程能在无需昂贵梯度训练或原始训练数据的情况下，将海量知识浓缩至单一模型。
研究团队向VentureBeat表示，模型合并作为无梯度过程仅需前向传播，计算成本远低于涉及梯度更新的微调。该方法还能规避训练数据平衡难题，并缓解模型学习新任务时出现"灾难性遗忘"的风险。当专业模型的训练数据不可获取时尤为有效——合并仅需模型权重本身。
早期模型合并依赖大量人工试错调整系数。尽管进化算法已实现参数组合的自动搜索，开发者仍需手动设置可合并参数（如网络层）的固定集合，这种限制可能阻碍发现更强组合。
M2N2核心技术
M2N2通过仿生进化原理突破这些限制，其三大核心特性可探索更广阔的搜索空间：
首先，M2N2摒弃了固定的网络层合并边界，采用弹性"分割点"和"混合比例"机制。例如算法可能将模型A某层30%参数与模型B同层70%参数融合。该过程始于种子模型库，通过迭代选择模型对进行混合，优胜劣汰不断进化模型库。研究人员强调："这种渐进式复杂度引入机制，在保证计算可行性的同时拓展了可能性空间。"
其次，通过资源竞争机制维持模型多样性。研究者比喻道："合并两份考卷时，完全相同的答案不会提升成绩，而互补的正确回答才能产生强化效果。"M2N2模拟生态位竞争，使具备独特能力的模型能"获取无竞争资源"，这些专业模型正是合并的最佳素材。
第三，采用"吸引力启发式"配对模型。不同于简单合并性能最优模型，M2N2通过"吸引力评分"识别能力互补的模型对——当某模型擅长处理另一模型棘手的任务时即产生配对。这显著提升了搜索效率和最终模型的综合能力。
应用实证
研究团队在三大领域验证了M2N2的卓越表现：
在MNIST数据集上，M2N2构建的图像分类器以显著优势刷新测试准确率记录。其多样性保持机制确保模型库始终留存互补优势的解决方案。
合并数学专家模型（WizardMath-7B）与智能体专家模型（AgentEvol-7B）后，新模型在GSM8K数学基准和WebShop网页任务中均展现顶尖水平，证实了多技能模型的创造能力。
在合并日本风格模型（JSDXL）与三个英文Stable Diffusion模型后，新模型不仅生成更具照片质感的图像，还涌现出双语理解能力——尽管仅使用日文描述优化，却能同时处理英日文指令。
对企业用户而言，合并已开发的专业模型能催生全新混合能力。例如将销售话术LLM与客户表情识别的视觉模型合并，可创建能根据实时视频反馈调整话术的智能体，以单模型成本获得多模型智能。
研究者将M2N2视为"模型融合"大趋势的组成部分，展望未来组织将维护持续进化合并的AI模型生态。"这就像动态演化的生态系统，按需组合能力而非从头构建庞然大物。"团队已在GitHub开源代码。
作者指出，构建这种自进化AI生态的主要障碍并非技术而是组织问题："在由开源、商业和定制组件组成的'融合模型'世界里，确保隐私安全与合规性将成为关键挑战。"企业的核心课题将是判断哪些模型能安全有效地整合进其AI技术栈。
