用途：把多个同架构的微调模型合并为一个模型，在不重新训练的前提下融合不同领域能力（如数学、代码、对话），也可用于减少灾难性遗忘、快速生成模型变体。
主要能力：支持 linear（加权平均，适合多个相似模型）、slerp（球面插值，适合两个模型）、task_arithmetic（任务向量加减）、ties（稀疏化并解决符号冲突，适合多任务模型）、dare_ties（随机丢弃并重缩放增量，降低冗余）等合并方法；支持按层合并（slices、passthrough）、构建 MoE、合并 tokenizer，以及 bfloat16/float16/float32 精度选择。
使用方式：安装可用 git clone https://github.com/arcee-ai/mergekit.git 后 pip install -e .，或直接 pip install mergekit。编写 YAML 配置（指定 merge_method、models 及 weight/density、base_model、dtype 等），执行 mergekit-yaml config.yml ./merged-model --cuda 生成合并模型，再用 transformers 加载评估。
适用场景：需要组合多个领域专长模型、在有限算力下快速试验模型变体、希望保留多项技能而不重训。
限制：只能合并架构相同的模型（如 Llama 与 Mistral 不兼容）；权重需合理设置，避免单一模型权重过高；合并后必须做基准测试再部署；TIES/DARE 的 density 需调参；资料未提供具体收费、价格与平台支持信息。