最近，一篇论文《Decomposing Evolutionary Mixture-of-LoRA Architectures: The Routing Lever, the Lifecycle Penalty, and a Substrate-Conditional Boundary》对进化型混合LoRA系统进行了深入的分解研究。该系统基于一个约1.5亿参数的从头训练的扩宽D基板（D=1536，V=32000，D/V约0.048，称为“widened-1536”基板）。研究人员将系统分解为三个因素：路由器重写（一种并行Sigmoid门，具有可学习的每适配器下限和有界温度退火，输入为堆叠后隐藏状态而非词元嵌入均值）、每领域留一评估范围，以及生命周期（包括死亡、alpha混合继承、SVD变异和槽位重分配）。
通过一个5/8部分2^3析因实验（n=3个种子，每单元25000个适应步骤），研究揭示了清晰的归因链。路由器重写独自承担了完整进化系统相对于静态B3基线（+0.0426 nat平衡对数困惑度改进，Delta=log PPL_ref - log PPL_test，正值表示改进，t=12.86，p=0.006）的全部改进。然而，整体系统与B3的对比本身仅为+0.015 nat（t=1.94，p=0.19，n=3），未达到alpha=0.05的显著性水平。
每领域评估范围在种子分辨率下无显著效果。而生命周期则是一个净拖累，在主链中约-0.028 nat（t=-4.46，p=0.047）。辅助的alpha=0继承反事实实验（n=3个种子）在主要指标上符号不一致，且统计效力不足，无法得出等价性或负载支撑结论（该结果纠正了早期算术平均聚合器错误显示继承显著的错误，详见附录B.11）。
研究人员还通过基板扰动探针方向性地反驳了将生命周期角色重新解释为“基因组上下文”的观点。可控合成沙盒实验发现了一个基板条件边界：路由通道上的进化搜索仅在适配器预先与任务对齐时才是负载支撑的；在所有其他测试的机制下，它会低于、持平或甚至恶化梯度解决方案的性能。
这项研究强调了进化混合LoRA系统中各组件的不同贡献，并指出了进化搜索有效性的关键条件，为未来设计更高效的模型提供了重要参考。