arXiv 於 2026 年 10 月 21 日（週三 15:47:56 UTC，1,304 KB）收錄了預印本論文《AI Mindmeld: A Latent Interconnect Protocol》（AI 心靈融合：一種潛在互連協議），作者為 Siavash Golkar 及另外兩位合著者，編號 arXiv:2610.30215v1，主分類為機器學習（cs.LG），交叉分類包括生物分子（q-bio.BM）與機器學習統計方向（stat.ML）。DOI 為 https://doi.org/10.48550/arXiv.2610.30215，由 DataCite 發放，目前尚待註冊。
論文的問題起點是：大語言模型已經可以作為科學智能體，通過調用工具諮詢領域專家、運行實驗。但專家信息必須以文本、圖像、音頻或視頻等形式進入模型的上下文，這就形成了擁有豐富高維表示的模型之間的瓶頸。作者主張直接的表示交換，即一種“心靈融合”（mindmeld），它傳遞的不只是單一結果，而是包含許多屬性的信息，其中甚至包括 LLM 自己不會想到去請求的信息。作者為該機制提出三項要求：可擴展到新的專家模型；能靈活應對不同問題與任務；以及在多個獨立連接的專家之間具備組合性，且無需聯合訓練。
為此，作者提出潛在互連協議（Latent Interconnect Protocol，LIP），學習將專家表示映射到 LLM 內部狀態的連接器（connector），並且只訓練連接器。作者強調，這種設計隨 LLM 規模增長與迭代演進仍具實用性，因為預訓練模型本身無需改動。
實驗設置方面，研究者將三個蛋白質專家模型與三個小分子專家模型連接到 Gemma 3（40 億與 120 億參數兩個版本）以及 Kimi K2.6（總參數 1 萬億、激活參數 320 億），並凍結所有預訓練模型。實驗顯示，獨立訓練出的連接器能夠提供有用信息，既不改變 LLM，也不影響已有的連接器，並且支持針對未見對象提出熟悉的問題類型與全新的問題類型。作者還展示了在無聯合訓練條件下向跨領域任務的零樣本遷移。總體而言，任務性能與組合性隨 LLM 能力提升而改善，零樣本任務遷移上的增益尤為明顯。
作者也明確列出侷限：當前 LLM 並非以專家表示為原生輸入訓練而成；僅僅獲得這些表示的訪問權限，並不保證模型能可靠地解釋、整合並在推理中使用它們。因此，作者呼籲專家模型開發者提供一致的表示接口，並特別呼籲 LLM 開發者訓練模型去接收、組合並基於這類輸入進行推理。作者認為，這些努力可以擴展科學智能體可獲取的信息，同時保留傳統工具的靈活性。數據、預訓練連接器以及用於訓練、評估和交互式推理的代碼已在 https://github.com/PolymathicAI/AI-Mindmeld 公開。