AI Mindmeld：一种潜在互连协议

该论文提出潜在互连协议 LIP，让专家模型的高维表征通过连接器直接映射进 LLM 内部状态；实验把三种蛋白质与三种小分子专家模型接入 Gemma 3 的 4B 和 12B 版本以及 Kimi K2.6，并冻结所有预训练模型；结果显示，独立训练的连接器能提供有效信息，并实现跨领域任务的零样本迁移，但 LLM 尚未原生支持专家表征输入。

过去 LLM 调用专家模型时，专家信息必须先转成文本、图像、音频或视频才能进入上下文，这会丢失高维信息；该工作尝试绕开这一文本瓶颈，并且不改动 LLM 与已有连接器就能扩展新专家，说明专家能力接入方式可能从“转述”走向“直接表征传递”。

LIP 只训练连接器，把专家模型的表征映射为 LLM 的内部状态，预训练模型全部冻结，因此新增专家不必联合训练；连接器独立训练、可组合，理论上能随 LLM 规模升级而复用，但证据指出 LLM 原生未针对这类输入训练，接收信息不等于能可靠理解与推理。

对产品与研发而言，如果该路径成熟，集成第三方专家能力时可能不必为每个专家设计文本接口或重训大模型，只需维护表征接口和连接器，从而降低扩展成本；但可靠性风险意味着短期内仍需保留文本兜底与评测环节，不能直接替代现有工具调用。

• 为专家模型开发者提供统一的表征接口规范与连接器 SDK，支持在不重训 LLM 的前提下接入新专家。
• 构建连接器组合测试集，验证多个独立专家在跨领域任务上的零样本迁移与组合效果。
• 在现有工具调用链路旁增加表征直连通道，并行评估其相对文本转述的信息保真度。

• LIP 在蛋白质与小分子之外的领域是否仍有效，证据未覆盖。
• 连接器独立训练后组合时，性能衰减或冲突的边界条件尚未量化。
• 论文提到的可靠解释与推理使用问题，需要何种 LLM 侧改造才能缓解，证据未给出方案。