访问集合至关重要：基于预算的可扩展权重空间模型合并

权重空间模型合并通常被形式化为对 checkpoint 的代数运算，但在 LLM 规模下，限制资源往往是必须读取的 expert 权重集合。我们提出 MergePipe，一个面向预算的执行层，将 LLM 合并建模为 \emph{expert access-set} 问题：给定合并算子和在共享权重坐标系中的 checkpoint 家族，在明确的 I/O 预算下，选择访问哪些 expert delta 块。MergePipe 对参数块进行索引，构建确定性访问计划，并执行由此引发的预算化合并。该计划在构建时即具有预算安全性，在完整预算下恢复完整读取合并；对于固定系数加法运算符，被省略更新的误差由被省略 delta 的范数所界定。在 Qwen 和 Llama 合并工作负载中，MergePipe 将 expert-read I/O 降低最高可达一个数量级，实现最高可达 $11\times$ 的加速。 representative 预算扫描显示，与完整读取合并相比，参数偏差可低至 $10^{-3}$，且在下游基准上不出现单调性能下降。