arXiv 于 2026 年 10 月 21 日（周三 15:47:56 UTC，1,304 KB）收录了预印本论文《AI Mindmeld: A Latent Interconnect Protocol》（AI 心灵融合：一种潜在互连协议），作者为 Siavash Golkar 及另外两位合著者，编号 arXiv:2610.30215v1，主分类为机器学习（cs.LG），交叉分类包括生物分子（q-bio.BM）与机器学习统计方向（stat.ML）。DOI 为 https://doi.org/10.48550/arXiv.2610.30215，由 DataCite 发放，目前尚待注册。
论文的问题起点是：大语言模型已经可以作为科学智能体，通过调用工具咨询领域专家、运行实验。但专家信息必须以文本、图像、音频或视频等形式进入模型的上下文，这就形成了拥有丰富高维表示的模型之间的瓶颈。作者主张直接的表示交换，即一种“心灵融合”（mindmeld），它传递的不只是单一结果，而是包含许多属性的信息，其中甚至包括 LLM 自己不会想到去请求的信息。作者为该机制提出三项要求：可扩展到新的专家模型；能灵活应对不同问题与任务；以及在多个独立连接的专家之间具备组合性，且无需联合训练。
为此，作者提出潜在互连协议（Latent Interconnect Protocol，LIP），学习将专家表示映射到 LLM 内部状态的连接器（connector），并且只训练连接器。作者强调，这种设计随 LLM 规模增长与迭代演进仍具实用性，因为预训练模型本身无需改动。
实验设置方面，研究者将三个蛋白质专家模型与三个小分子专家模型连接到 Gemma 3（40 亿与 120 亿参数两个版本）以及 Kimi K2.6（总参数 1 万亿、激活参数 320 亿），并冻结所有预训练模型。实验显示，独立训练出的连接器能够提供有用信息，既不改变 LLM，也不影响已有的连接器，并且支持针对未见对象提出熟悉的问题类型与全新的问题类型。作者还展示了在无联合训练条件下向跨领域任务的零样本迁移。总体而言，任务性能与组合性随 LLM 能力提升而改善，零样本任务迁移上的增益尤为明显。
作者也明确列出局限：当前 LLM 并非以专家表示为原生输入训练而成；仅仅获得这些表示的访问权限，并不保证模型能可靠地解释、整合并在推理中使用它们。因此，作者呼吁专家模型开发者提供一致的表示接口，并特别呼吁 LLM 开发者训练模型去接收、组合并基于这类输入进行推理。作者认为，这些努力可以扩展科学智能体可获取的信息，同时保留传统工具的灵活性。数据、预训练连接器以及用于训练、评估和交互式推理的代码已在 https://github.com/PolymathicAI/AI-Mindmeld 公开。