Статья посвящена исследованию экономических аспектов применения инновационного метода объединения параметров больших языковых моделей Significant Deltas Merging with Weights (SDM-W). В условиях стремительного развития технологий искусственного интеллекта и роста затрат на обучение крупномасштабных нейросетевых моделей особую актуальность приобретают методы эффективного объединения
существующих моделей. Предлагаемый метод SDM-W учитывает экономическую целесообразность повторного использования обученных моделей за счёт интеллектуального объединения их параметров с учётом значимости отклонений.
Проведён сравнительный анализ с традиционными методами слияния весов, демонстрирующий преимущества SDM-W в аспектах снижения вычислительных затрат и сохранения качества модели. Экспериментальные результаты показывают, что применение SDM-W позволяет сократить затраты на вычислительные ресурсы до 30% при сохранении 95-98% точности исходных моделей. Особое внимание уделено экономическим выгодам метода, включая снижение энергопотребления, оптимизацию использования GPU-
ресурсов и возможность создания специализированных моделей без необходимости их полного переобучения. Результаты исследования имеют значительную практическую
ценность для компаний, разрабатывающих коммерческие продукты на основе больших языковых моделей, а также для научных организаций с ограниченными вычислительными
ресурсами.