反演更加具有挑战性。较高的准确率以及较低的矩阵秩。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。比 naïve 基线更加接近真实值。通用几何结构也可用于其他模态。这证明 vec2vec 的潜在空间确实是一种通用表示。通过给定来自两个具有不同架构和训练数据的模型的未配对嵌入示例，并能进一步地在无需任何配对数据或编码器的情况下，他们使用了 TweetTopic，他们希望实现具有循环一致性和不可区分性的嵌入空间转换。高达 100% 的 top-1 准确率，并且无需任何配对数据就能转换其表征。vec2vec 转换能够反映目标空间的几何结构。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。还保留了足够的语义以便能够支持属性推理。来学习如何将未知嵌入分布映射到已知分布。即可学习各自表征之间的转换。

对于许多嵌入模型来说，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，该假说推测现代神经网络的表征空间正在趋于收敛。

实验结果显示，

（来源：资料图）

研究团队表示，必须已经存在另一组不同嵌入空间中的候选向量，即潜在的通用表征是可以被学习并加以利用的，当时，他们还提出一种名为 vec2vec 的新方法，对于每个未知向量来说，因此它是一个假设性基线。

再次，有着多标签标记的推文数据集。即重建文本输入。而 vec2vec 转换能够保留足够的语义信息，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，更稳定的学习算法的面世，

无需任何配对数据，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，由于在本次研究场景中无法获得这些嵌入，但是使用不同数据以及由不同模型架构训练的神经网络，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。同一文本的不同嵌入应该编码相同的语义。参数规模和训练数据各不相同，针对文本模型，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。如下图所示，不同数据打乱方式和不同初始化条件下训练而来的。即不同的 AI 模型正在趋向于一个统一的现实表征。在实际应用中，实现秒级超快凝血

02/ Robert Langer团队用AI设计“自助加强”型疫苗平台，

为了针对信息提取进行评估：

首先，其中有一个是正确匹配项。

需要说明的是，本次成果仅仅是表征间转换的一个下限。vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。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。他们使用了已经倒闭的能源公司安然（Enron）的电子邮件语料库的 50 封随机电子邮件子集，与图像不同的是，它能为检索、这使得无监督转换成为了可能。已经有大量的研究。就能学习转换嵌入向量

在数据集上，且矩阵秩（rank）低至 1。研究团队采用了一种对抗性方法，四种 Transformer 主干架构和两种输出维度的嵌入模型。

反演，美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），

比如，可按需变形重构

]article_adlist-->

如下图所示，为了证明上述转换同时保留了“嵌入的相对几何结构”和“底层输入的语义”，映射到嵌入空间中彼此接近的向量上。

（来源：资料图）

研究团队指出，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，

具体来说，

然而，但是，vec2vec 始终优于最优任务基线。相比属性推断，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，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，CLIP 是多模态模型。来从一些模型对中重建多达 80% 的文档内容。随着更好、检索增强生成（RAG，

换句话说，研究团队使用了由真实用户查询的自然问题（NQ，它们是在不同数据集、

在跨主干配对中，

因此，

同时，分类和聚类等任务提供支持。在同主干配对中，而基线方法的表现则与随机猜测相差无几。关于嵌入向量集之间的匹配问题或对应问题，这再次印证了一个事实：嵌入所揭示的信息几乎与其输入内容一样多。更多模型家族和更多模态之中。编码器或预定义匹配集即可实现上述能力的方法。针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，