要实现多模型的并发扩展，需要以下步骤：

1. 选择合适的框架 使用Python编程时，可使用TensorFlow、PyTorch等流行框架来实现模型的并发扩展。

2. 设计模型 将各个模型分解为小的可并行运行的任务单元。每个任务单元经过计算后，结果将被存储在数据库或者内存中。

3. 设计并发计算架构 将计算任务分配到各个计算节点上并行执行，可采用类似于MapReduce的架构。具体实现可使用Python中的多线程、多进程、分布式计算等技术。

以下是使用Python的multiprocessing模块和queue模块来实现MapReduce风格并发处理的示例代码：

import multiprocessing as mp
from queue import Queue

# 模拟处理任务，将给定数字加上10
def process_task(num):
    return num + 10

# 处理任务的进程
def worker(q_in, q_out):
    while True:
        task = q_in.get()
        if task is None:
            break
        result = process_task(task)
        q_out.put(result)

# 分配任务的主进程
def main(num_workers, tasks):
    # 创建任务队列和结果队列
    q_in = Queue()
    q_out = Queue()

    # 创建并启动进程
    pool = [mp.Process(target=worker, args=(q_in, q_out)) for i in range(num_workers)]
    for p in pool:
        p.start()

    # 提交任务并获取结果
    for task in tasks:
        q_in.put(task)
    for i in range(num_workers):
        q_in.put(None)
    results = []
    for i in range(len(tasks)):
        results.append(q_out.get())

    # 结束进程
    for p in pool:
        p.join