model-merging

モデルマージ：事前学習済みモデルの組み合わせ

このスキルを使用する場面

次のような場合は、モデルマージを使用してください。

• 複数のファインチューニング済みモデルの能力を組み合わせる：再トレーニングは不要です
• 特化型モデルを作成する：数学＋コーディング＋チャットなど、ドメイン固有の専門知識をブレンドします
• パフォーマンスを向上させる：単一のモデルを上回る性能を実現します（ベンチマークで多くの場合＋5～10％）
• トレーニングコストを削減する：GPU は不要で、マージは CPU で実行できます
• すばやく実験する：数日ではなく、数分で新しいモデルのバリエーションを作成できます
• 複数のスキルを保持する：壊滅的忘却を起こさずにマージできます

成功事例：Marcoro14-7B-slerp（2024 年 2 月の Open LLM Leaderboard で最高位）、HuggingFace の多数の上位モデルでマージを使用

ツール：mergekit（Arcee AI）、LazyMergekit、Model Soup

インストール

# Install mergekit
git clone https://github.com/arcee-ai/mergekit.git
cd mergekit
pip install -e .

# Or via pip
pip install mergekit

# Optional: Transformer library
pip install transformers torch

クイックスタート

シンプルな線形マージ

# config.yml - Merge two models with equal weights
merge_method: linear
models:
  - model: mistralai/Mistral-7B-v0.1
    parameters:
      weight: 0.5
  - model: teknium/OpenHermes-2.5-Mistral-7B
    parameters:
      weight: 0.5
dtype: bfloat16

# Run merge
mergekit-yaml config.yml ./merged-model --cuda

# Use merged model
python -m transformers.models.auto --model_name_or_path ./merged-model

SLERP マージ（2 つのモデルに最適）

# config.yml - Spherical interpolation
merge_method: slerp
slices:
  - sources:
      - model: mistralai/Mistral-7B-v0.1
        layer_range: [0, 32]
      - model: teknium/OpenHermes-2.5-Mistral-7B
        layer_range: [0, 32]
parameters:
  t: 0.5  # Interpolation factor (0=model1, 1=model2)
dtype: bfloat16

基本概念

1. マージ手法

線形（Model Soup）

• パラメーターの単純な加重平均です
• 高速で、類似したモデルで良好に動作します
• 2 つ以上のモデルをマージできます（w1 + w2 + ... = 1）

SLERP（球面線形補間）

• 重み空間の球面に沿って補間します
• 重みベクトルの大きさを保持します
• 2 つのモデルのマージに最適です
• 線形補間より滑らかです

# SLERP formula
merged = (sin((1-t)*θ) / sin(θ)) * model1 + (sin(t*θ) / sin(θ)) * model2
# where θ = arccos(dot(model1, model2))
# t ∈ [0, 1]

タスク算術

• 「タスクベクトル」（ファインチューニング済みモデル − ベースモデル）を抽出します
• タスクベクトルを組み合わせて、ベースモデルに加えます
• 複数の特化型モデルのマージに適しています（merged = base + α₁·tv₁ + α₂·tv₂）

TIES-Merging

• タスク算術とスパース化を組み合わせます
• パラメーターの符号の競合を解決します
• タスク固有のモデルを多数マージする場合に最適です

DARE（Drop And REscale）

• ファインチューニング済みのパラメーターをランダムにドロップします
• 残りのパラメーターを再スケーリングします
• 冗長性を減らしながら、パフォーマンスを維持します

2. 設定の構造

# Basic structure
merge_method: <method>  # linear, slerp, ties, dare_ties, task_arithmetic
base_model: <path>      # Optional: base model for task arithmetic

models:
  - model: <path/to/model1>
    parameters:
      weight: <float>   # Merge weight
      density: <float>  # For TIES/DARE

  - model: <path/to/model2>
    parameters:
      weight: <float>

parameters:
  # Method-specific parameters

dtype: <dtype>  # bfloat16, float16, float32

# Optional
slices:  # Layer-wise merging
tokenizer:  # Tokenizer configuration

マージ手法ガイド

線形マージ

最適な用途：シンプルなモデルの組み合わせ、均等な重み付け

merge_method: linear
models:
  - model: WizardLM/WizardMath-7B-V1.1
    parameters:
      weight: 0.4
  - model: teknium/OpenHermes-2.5-Mistral-7B
    parameters:
      weight: 0.3
  - model: NousResearch/Nous-Hermes-2-Mistral-7B-DPO
    parameters:
      weight: 0.3
dtype: bfloat16

SLERP マージ

最適な用途：2 つのモデル、滑らかな補間

merge_method: slerp
slices:
  - sources:
      - model: mistralai/Mistral-7B-v0.1
        layer_range: [0, 32]
      - model: teknium/OpenHermes-2.5-Mistral-7B
        layer_range: [0, 32]
parameters:
  t: 0.5  # 0.0 = first model, 1.0 = second model
dtype: bfloat16

レイヤー固有の SLERP：

merge_method: slerp
slices:
  - sources:
      - model: model_a
        layer_range: [0, 32]
      - model: model_b
        layer_range: [0, 32]
parameters:
  t:
    - filter: self_attn    # Attention layers
      value: 0.3
    - filter: mlp          # MLP layers
      value: 0.7
    - value: 0.5           # Default for other layers
dtype: bfloat16

タスク算術

最適な用途：特化したスキルの組み合わせ

merge_method: task_arithmetic
base_model: mistralai/Mistral-7B-v0.1
models:
  - model: WizardLM/WizardMath-7B-V1.1  # Math
    parameters:
      weight: 0.5
  - model: teknium/OpenHermes-2.5-Mistral-7B  # Chat
    parameters:
      weight: 0.3
  - model: ajibawa-2023/Code-Mistral-7B  # Code
    parameters:
      weight: 0.2
dtype: bfloat16

TIES-Merging

最適な用途：多数のモデル、競合の解決

merge_method: ties
base_model: mistralai/Mistral-7B-v0.1
models:
  - model: WizardLM/WizardMath-7B-V1.1
    parameters:
      density: 0.5  # Keep top 50% of parameters
      weight: 1.0
  - model: teknium/OpenHermes-2.5-Mistral-7B
    parameters:
      density: 0.5
      weight: 1.0
  - model: NousResearch/Nous-Hermes-2-Mistral-7B-DPO
    parameters:
      density: 0.5
      weight: 1.0
parameters:
  normalize: true
dtype: bfloat16

DARE マージ

最適な用途：冗長性の削減

merge_method: dare_ties
base_model: mistralai/Mistral-7B-v0.1
models:
  - model: WizardLM/WizardMath-7B-V1.1
    parameters:
      density: 0.5    # Drop 50% of deltas
      weight: 0.6
  - model: teknium/OpenHermes-2.5-Mistral-7B
    parameters:
      density: 0.5
      weight: 0.4
parameters:
  int8_mask: true  # Use int8 for masks (saves memory)
dtype: bfloat16

高度なパターン

レイヤー単位のマージ

# Different models for different layers
merge_method: passthrough
slices:
  - sources:
      - model: mistralai/Mistral-7B-v0.1
        layer_range: [0, 16]   # First half
  - sources:
      - model: teknium/OpenHermes-2.5-Mistral-7B
        layer_range: [16, 32]  # Second half
dtype: bfloat16

マージ済みモデルから MoE を作成

# Create Mixture of Experts
merge_method: moe
base_model: mistralai/Mistral-7B-v0.1
experts:
  - source_model: WizardLM/WizardMath-7B-V1.1
    positive_prompts:
      - "math"
      - "calculate"
  - source_model: teknium/OpenHermes-2.5-Mistral-7B
    positive_prompts:
      - "chat"
      - "conversation"
  - source_model: ajibawa-2023/Code-Mistral-7B
    positive_prompts:
      - "code"
      - "python"
dtype: bfloat16

トークナイザーのマージ

merge_method: linear
models:
  - model: mistralai/Mistral-7B-v0.1
  - model: custom/specialized-model

tokenizer:
  source: "union"  # Combine vocabularies from both models
  tokens:
    <|special_token|>:
      source: "custom/specialized-model"

ベストプラクティス

1. モデルの互換性

# ✅ Good: Same architecture
models = [
    "mistralai/Mistral-7B-v0.1",
    "teknium/OpenHermes-2.5-Mistral-7B",  # Both Mistral 7B
]

# ❌ Bad: Different architectures
models = [
    "meta-llama/Llama-2-7b-hf",  # Llama
    "mistralai/Mistral-7B-v0.1",  # Mistral (incompatible!)
]

2. 重みの選択

# ✅ Good: Weights sum to 1.0
models:
  - model: model_a
    parameters:
      weight: 0.6
  - model: model_b
    parameters:
      weight: 0.4  # 0.6 + 0.4 = 1.0

# ⚠️  Acceptable: Weights don't sum to 1 (for task arithmetic)
models:
  - model: model_a
    parameters:
      weight: 0.8
  - model: model_b
    parameters:
      weight: 0.8  # May boost performance

教師なし係数の調整（ラベル付きデータは不要）

手動で探索する代わりに、生成の一貫性を利用します。候補となる複数の係数でマージし、ラベルのない小規模なサブセットに対して応答を生成して、隣接する係数の出力と最も類似する係数を選びます。一貫した出力は、安定性と性能に優れたマージ領域を示します（AdaMMS、arXiv:2503.23733）。

# Pseudocode — see references/coefficient-tuning.md for full implementation
candidates = [0.3, 0.4, 0.5, 0.6, 0.7]
for alpha in candidates:
    merged_paths[alpha] = merge_with_coefficient(alpha, model_a, model_b)
    responses[alpha]    = generate_responses(merged_paths[alpha], eval_prompts)

# Score each alpha by similarity to its neighbors (alpha ± 0.1)
best_alpha = max(candidates, key=lambda a: generation_consistency(a, responses))

アルゴリズム、類似度指標、複数係数の探索、エンドツーエンドのパイプラインについて詳しくは、references/coefficient-tuning.md を参照してください。

3. 手法の選択

# Choose merge method based on use case:

# 2 models, smooth blend → SLERP
merge_method = "slerp"

# 3+ models, simple average → Linear
merge_method = "linear"

# Multiple task-specific models → Task Arithmetic or TIES
merge_method = "ties"

# Want to reduce redundancy → DARE
merge_method = "dare_ties"

4. 密度の調整（TIES/DARE）

# Start conservative (keep more parameters)
parameters:
  density: 0.8  # Keep 80%

# If performance good, increase sparsity
parameters:
  density: 0.5  # Keep 50%

# If performance degrades, reduce sparsity
parameters:
  density: 0.9  # Keep 90%

5. レイヤー固有のマージ

ベースモデルの最初と最後のレイヤーは保持し（多くの場合、そのままにしておくのが最適です）、merge_method: passthrough と slices を使用して中間部分のみをマージします。上記のレイヤー単位のマージパターンを参照してください。

評価とテスト

マージ済みモデルのベンチマーク

from transformers import AutoModelForCausalLM, AutoTokenizer

# Load merged model
model = AutoModelForCausalLM.from_pretrained("./merged-model")
tokenizer = AutoTokenizer.from_pretrained("./merged-model")

# Test on various tasks
test_prompts = {
    "math": "Calculate: 25 * 17 =",
    "code": "Write a Python function to reverse a string:",
    "chat": "What is the capital of France?",
}

for task, prompt in test_prompts.items():
    inputs = tokenizer(prompt, return_tensors="pt")
    outputs = model.generate(**inputs, max_length=100)
    print(f"{task}: {tokenizer.decode(outputs[0])}")

一般的なベンチマーク

• Open LLM Leaderboard：汎用的な能力
• MT-Bench：複数ターンの会話
• MMLU：マルチタスクの正確性
• HumanEval：コード生成
• GSM8K：数学的推論

本番環境へのデプロイ

保存とアップロード

from transformers import AutoModelForCausalLM, AutoTokenizer

# Load merged model
model = AutoModelForCausalLM.from_pretrained("./merged-model")
tokenizer = AutoTokenizer.from_pretrained("./merged-model")

# Upload to HuggingFace Hub
model.push_to_hub("username/my-merged-model")
tokenizer.push_to_hub("username/my-merged-model")

マージ済みモデルの量子化

# Quantize with GGUF
python convert.py ./merged-model --outtype f16 --outfile merged-model.gguf

# Quantize with GPTQ
python quantize_gptq.py ./merged-model --bits 4 --group_size 128

よくある落とし穴

• アーキテクチャの不一致 — 同じアーキテクチャを共有するモデルのみをマージしてください（例：Llama と Mistral を混在させないでください）。
• 特定のモデルへの過剰な重み付け（例：0.95 / 0.05）— 重みのバランスを保ち、通常は 0.3〜0.7 の範囲にしてください。
• 評価を省略する — マージしたモデルは、デプロイ前に必ずベンチマークを実施してください（上記の「評価とテスト」セクションを参照）。

リソース

• mergekit GitHub：https://github.com/arcee-ai/mergekit
• HuggingFace のチュートリアル：https://huggingface.co/blog/mlabonne/merge-models
• LazyMergekit：自動マージ用ノートブック
• TIES の論文：https://arxiv.org/abs/2306.01708
• DARE の論文：https://arxiv.org/abs/2311.03099

関連項目

• references/methods.md - マージアルゴリズムの詳細
• references/examples.md - 実際のマージ設定例
• references/evaluation.md - ベンチマークとテストの戦略
• references/coefficient-tuning.md - 生成の一貫性による教師なし係数探索（AdaMMS、arXiv:2503.23733）