本研究探讨了视觉-语言模型（VLMs）与大型语言模型（LLMs）之间的感知与推理机制，提出了跨模态模型融合的方法。结果表明，模型融合有效地将LLMs的推理能力转移至VLMs，且感知能力主要集中在早期层，而推理能力在中后期层得到增强。

本研究提出了一种统一多任务学习与模型融合的方法，以提高语言模型的防护效率。通过生成特定任务数据，训练出更小且性能优越的分类器，显著提升了对不安全和安全行为的检测能力。

本研究提出了一种模型融合方法，显著提升了泰语大型语言模型的推理能力，达到DeepSeek R1水平。

本文提出了一种名为版权保护模型融合（CP-Fuse）的方法，旨在解决语言模型重现训练数据中版权所有材料的问题。通过在推理时结合不同版权材料集的模型输出，CP-Fuse显著降低了版权材料的复制风险，同时保持文本和代码生成的质量，并可与其他保护措施无缝集成。

本研究提出了一种新型模型融合技术，利用多目标贝叶斯优化解决微调预训练语言模型的最佳选择问题，显著提升多个下游任务的性能。

通过模型融合，将预训练适配器高效地整合到单一模型，以提高适配器调优的性能。MerA方法在两个预训练语言模型上实现了显著的性能提升，并通过引入“同路径”设置进一步增加了模型的容量，超越全微调和适配器调优的表现。