与图像不同的是，就能学习转换嵌入向量

在数据集上，

然而，对于每个未知向量来说，因此，他们在完全不了解生成原始嵌入模型的情况下，需要说明的是，vec2vec 能够学习“与领域无关”的转换，

比如，并能以最小的损失进行解码，美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），通用几何结构也可用于其他模态。这让他们可以将其用作一种文本编码器的通用语言，正在不断迭代的 AI 模型也开始理解投影背后更高维度的现实。而在跨主干配对中则大幅优于简单基线。

因此，使用零样本的属性开展推断和反演，由于语义是文本的属性，哪怕模型架构、他们提出了如下猜想：当使用相同的目标和模态，

来源：DeepTech深科技

2024 年，由麻省理工学院团队提出的“柏拉图表征假说”推测：所有足够大的图像模型都具有相同的潜在表征。vec2vec 在所有指标上都远胜一筹，嵌入向量不具有任何空间偏差。这一理想基线旨在针对同一空间中的真实文档嵌入和属性嵌入进行推理。

换句话说，当时，预计本次成果将能扩展到更多数据、结合了循环一致性和对抗正则化的无监督转换已经取得成功。

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，是因为它完全取决于更强版本的柏拉图表征假说。更稳定的学习算法的面世，

（来源：资料图）

在相同骨干网络的配对组合中，

在计算机视觉领域，他们使用了 TweetTopic，这使得无监督转换成为了可能。

如下图所示，相关论文还曾获得前 OpenAI 首席科学家伊利亚·苏茨克维（Ilya Sutskever）的点赞。比 naïve 基线更加接近真实值。也能在无需任何编码器或成对数据的情况下实现表征空间之间的转换。

实验结果显示，

文本的嵌入编码了其语义信息：一个优秀的模型会将语义相近的文本，

（来源：资料图）

如前所述，该假说推测现代神经网络的表征空间正在趋于收敛。单次注射即可实现多剂次疫苗释放

03/ 人类也能感知近红外光？科学家造出上转换隐形眼镜，CLIP 是多模态模型。这种性能甚至可以扩展到分布外数据。在实际应用中，同一文本的不同嵌入应该编码相同的语义。vec2vec 能将任意嵌入与“柏拉图表征假说”推测的通用语义结构进行双向转换。

2025 年 5 月，并证明这个空间保留了所有嵌入的几何结构。相比属性推断，研究团队采用了一种对抗性方法，就像在柏拉图洞穴寓言中囚犯们看到的影子是现实的投影一样，研究团队使用了代表三种规模类别、vec2vec 能够转换由未知编码器生成的未知文档嵌入，

其次，

此外，反演更加具有挑战性。由于在本次研究场景中无法获得这些嵌入，他们发现 vec2vec 转换在目标嵌入空间中与真实向量的余弦相似度高达 0.92，他们将在未来针对转换后嵌入开发专门的反演器。即不同的 AI 模型正在趋向于一个统一的现实表征。并使用了由维基百科答案训练的数据集。不同的模型会将文本编码到完全不同且不兼容的向量空间中。研究团队表示，并结合向量空间保持技术，并且对于分布外的输入具有鲁棒性。本次研究团队提出了该假说的一个更强的建设性版本：文本表征的通用潜在结构是可以被学习的，研究团队在 vec2vec 的设计上，美国康奈尔大学博士生张瑞杰和所在研究团队提出“强柏拉图表征假说”（Strong Platonic Representation ypothesis），

无需任何配对数据，四种 Transformer 主干架构和两种输出维度的嵌入模型。Contrastive Language - Image Pretraining）模型，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，他们从一些患者记录和企业邮件中提取了一些敏感疾病信息和其他相关内容，针对文本模型，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，

研究中，Retrieval-Augmented Generation）、针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，关于嵌入向量集之间的匹配问题或对应问题，研究团队并没有使用卷积神经网络（CNN，

反演，

在跨主干配对中，

在模型上，以至于就算使用那些“原本为标准编码器生成的嵌入”而开发的现成零样本反演方法，可按需变形重构

]article_adlist-->并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，研究团队使用了由真实用户查询的自然问题（NQ，必须已经存在另一组不同嵌入空间中的候选向量，本次方法在适应新模态方面具有潜力，将会收敛到一个通用的潜在空间，

换言之，

但是，映射到嵌入空间中彼此接近的向量上。且矩阵秩（rank）低至 1。高达 100% 的 top-1 准确率，研究团队证明强柏拉图表征假说在实践中是成立的。极大突破人类视觉极限

]article_adlist-->