技能编织：通过模块化技能包实现高效的大语言模型改进

大语言模型日益需要跨领域专业化，但现有方法难以在多重领域能力与严格的内存及推理约束间取得平衡。本文提出 SkillWeave，一种模块化改进框架，使 LLM 能在固定内存预算下实现专业化。该框架将通用模型的全量能力划分为“技能包”——即轻量级、领域专用的增量模块，以重组和精炼模型内部知识。为高效部署，SkillWeave 集成 SkillZip 将技能包压缩为紧凑且可即时推理的格式。在多任务及智能体基准测试中，9B 参数的 SkillWeave 模型表现优于多个基线，甚至超越 32B 单体 LLM，同时实现高达 4 倍的加速。