Un preprint del investigador independiente Jason Van Pham propone traducir representaciones continuas entre modelos congelados para permitir la dirección, la recuperación y el razonamiento sin editar pesos. El trabajo introduce un método donde los conceptos se compilan en direcciones residuales en el espacio de un modelo y se mapean mediante una transformación afín a las capas ocultas de otro modelo.
- En el primer experimento, añadir una ganancia negativa a la dirección de un concepto en Qwen2.5-0.5B desplazó las generaciones de lecturas de animales vivos a lenguaje de objetos (por ejemplo, "estufa portátil") para un prompt de criatura ficticia.
- El segundo régimen mapea fragmentos ordenados de Qwen3-Embedding-8B en las ranuras de entrada de Llama-3.1-8B, permitiendo que el modelo objetivo reconstruya proposiciones noce y soporte inferencia coincidente.
- La compresión de rango 128 en la etapa de embedding preservó la similitud por pares (r=0.937) pero redujo la calidad de la reconstrucción, demostrando que la geometría de recuperación sobrevive a la compresión antes de que lo haga la identidad del token.
- El autor limita explícitamente las afirmaciones, señalando que el método no es un ajuste fino, ni memoria KV-cache, ni una prueba de inversión semántica general.
La investigación establece una transición de estado residual sensible a la signo en familias específicas de prompts y demuestra que la inversión compacta y la recuperación ordenada son puntos de operación distintos para la transferencia de información entre modelos.