READ 是一种针对 LoRA 适配器的训练/组合方法，核心思路是让多个技能适配器在组合时"只读不写"——即冻结各适配器参数、仅通过读取与插值的方式叠加，从而避免多技能混合时相互覆盖导致的性能退化。在多适配器复用逐渐成为大模型落地标配的背景下，READ 提供了一条比重新训练更省成本的折中路线。
READ 方法的近期进展
当前焦点与观察点
围绕 READ 及其相关技术，当前讨论集中在三个层面。其一是多技能组合的稳定性：LoRA 适配器便宜易得，但组合使用时容易互相干扰，READ 的只读聚合思路能否扩展到更大规模和多模态场景，尚待更多复现验证。其二是 Agent 架构中的读取策略：从 MongoDB 虚拟文件系统到 Spotify 的 token 优化案例，业界共识是智能体的效率瓶颈往往不在推理本身，而在于读上下文、读代码、读状态的方式是否高效。其三是可信性问题，合规检测器存在规则盲区，审计揭示其失效机制 一文提示，无论是模型还是检测器，其读取规则的方式都可能存在系统性盲区，只读式的复用并不等于正确。
总体来看，READ 代表了一种更克制的模型复用哲学：与其反复训练，不如让已有能力以只读方式安全叠加。随着 AI 辅助开发进入内核级项目——例如 Linus Torvalds 已提交首个 AI 辅助开发的 Linux 内核补丁——如何可靠地读取、组合和审计既有模型能力，可能会从工程技巧上升为基础设施议题。