Naukowcy opracowali Latent Interconnect Protocol - protokół łączący modele językowe z wyspecjalizowanymi modelami AI poprzez bezpośrednią wymianę reprezentacji zamiast tekstu czy obrazów. Problem, który rozwiązuje, jest fundamentalny: gdy LLM potrzebuje informacji od specjalisty, musi najpierw przekonwertować ją na tekst, obraz czy audio, co stanowi poważne wąskie gardło informacyjne. LIP zmienia to podejście, ucząc się mapowań umożliwiających wysyłanie bogatych, wielowymiarowych wewnętrznych reprezentacji bezpośrednio między modelami.
System działa poprzez trenowanie wyłącznie małych konektorów - warstw mapujących - które łączą reprezentacje specjalistów na stany wewnętrzne LLM. Kluczowa zaleta: wszystkie wcześniej wytrenowane modele pozostają zamrożone, co czyni podejście praktycznym nawet gdy LLM się rozwijają. Naukowcy podłączyli trzy specjalistyczne modele białkowe i trzy do małych cząsteczek do Gemmy 3 (4B i 12B parametrów) oraz Kimi K2.6, demonstrując, że niezależnie wytrenowane konektory zapewniają użyteczną informację bez ingerencji w inne komponenty systemu. Nowe konektory mogą być dodawane bez reingenierowania całej architektury.
Wyniki pokazują szczególnie silne wskaźniki transferu między domenami bez wspólnego treningu. Jednak pozostają ograniczenia: obecne LLM nie były trenowane aby natywnie odbierać reprezentacje specjalistów, a sama dostępność informacji nie gwarantuje jej niezawodnej interpretacji. Mimo to LIP stanowi krok w kierunku bardziej elastycznych systemów wieloagentowych, gdzie specjalizacja AI może być łączona bez konieczności wspólnego szkolenia - co redukowałoby drastycznie koszty obliczeniowe.