AI Mindmeld 提出隐层互连协议，允许大模型直接吸收专家模型的内部表示

一句话结论

AI Mindmeld 提出隐层互连协议（LIP），使大语言模型能直接对接蛋白质等专家模型的内部表示，无需将其转化为文本即可扩展科学智能体能力。

关键要点

• LIP 仅训练轻量连接器映射专家模型内部表示至大语言模型内部状态，冻结 Gemma 3（4B/12B）与 Kimi K2.6（总参 1T、激活 32B）全部预训练权重。
• 已连接三个蛋白质专家与三个小分子专家，每个连接器独立训练，无需联合微调，即可支持对未见对象的新旧问题。
• 在冻结大模型的前提下实现了跨领域零样本迁移，任务性能与组合性随大模型能力提升而改善，零样本迁移增益尤为明显。
• 作者指出当前大模型并非以专家表示为原生输入进行训练，接入不保证可靠解释、整合与推理使用，呼吁专家方提供统一表示接口。
• 代码、预训练连接器与交互式推理数据已开源，便于第三方复现与扩展。

背景与事实

2026 年 10 月 21 日，arXiv 计算机科学与机器学习分类（cs.LG）上线论文《AI Mindmeld: A Latent Interconnect Protocol》。论文主张，大语言模型作为科学智能体时，通常依赖工具调用并让专家输出以文本、图像、音频或视频形式回流至上下文，这一通道对高维专家表示构成瓶颈。作者提出直接表示交换（mindmeld）：让专家模型的内部向量进入大模型内部状态，从而传递大模型未主动请求的信息。

隐层互连协议（LIP）的核心是训练一组连接器，将专家表示映射至大语言模型的隐层，同时保持大模型与已部署连接器冻结。实验覆盖 Gemma 3 的 4B 与 12B 版本以及 Kimi K2.6（总参数 1T、激活参数 32B）。作者连接了三个蛋白质专家与三个小分子专家，证明独立训练的连接器能在不改变大模型权重与既有连接器的情况下提供有用信息，支持熟悉问题类型与关于未见对象的新问题类型。

论文报告，任务性能与组合性随大模型能力增强而提升，零样本任务迁移的增益尤为突出。作者同时声明局限：当前大语言模型并非为接收专家表示作为原生输入而训练，因此接入不等于可靠解释、整合或推理使用。作者呼吁专家开发者提供一致的表示接口，并特别要求大模型开发者训练能接收、组合与基于此类输入推理的模型，以在保留传统工具灵活性的同时扩展科学智能体信息量。数据、预训练连接器及训练、评测与交互式推理代码已随文开源。

影响分析

对中文开发者与从业者而言，这是一次“接口层”而非“模型层”的扩展路径（此为分析判断）。若企业拥有蛋白质结构预测、小分子性质预测等垂直专家模型，可只训练轻量连接器对接公开大模型，避免全量微调高昂成本，降低多模态科学智能体落地门槛。其次，该范式鼓励将内部表示而非自然语言作为跨模型通信媒介，可能催生“表示即 API”的中间件生态，便于在合规、隐私与版本演进下做组合与复用。对模型厂商，论文提出的“接收、组合并推理”训练需求暗示需在基础预训练或对齐阶段纳入隐层输入能力，否则仅靠连接器只能部分发挥价值。

适用边界

该结论主要依赖冻结大模型与独立连接器设定，若企业要求端到端联合微调专家模型与大模型，或专家模型无稳定内部表示层，LIP 的收益会受限。当前证据集中于蛋白质与小分子专家到 Gemma 3、Kimi K2.6 的跨域零样本迁移，向其他模态、其他大模型或需多步推理的科学工作流扩展仍属未验证范畴。

孤本观察

（编辑判断）论文同时承认“接入不等于可靠推理”，这一自我限定比多数展示性零样本结果更克制，暗示隐层互连在科学智能体中更像“管道”而非“认知能力”。

来源：arXiv cs.LG