我们考虑通过使用基于谱聚类或低秩矩阵分解的方法组合多层网络的多层信息来估计共识社区结构的问题。作为一般主题，这些“中间融合”方法包括通过优化目标函数获得低列秩矩阵，然后使用矩阵的列进行聚类。然而，这些方法的理论性质在很大程度上尚未探索。在缺乏对目标函数的统计保证的情况下，很难确定优化目标的算法是否会返回良好的社区结构。我们研究了多层随机块模型下这些目标函数的全局优化器的一致性。为此，我们导出了几个新的渐近结果，这些结果表明了中间融合技术与平均邻接矩阵的谱聚类在高维设置下的一致性，其中多层图的节点数、层数和社区数都在增长。我们的数值研究表明，中间融合技术优于后期融合方法，即聚集谱核上的谱聚类和稀疏网络中的模效度矩阵，而在包含具有同亲和异亲群落的层的多层网络中，它们优于平均邻接矩阵的谱聚类。