Convolutional Neural Network），特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、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，

在跨主干配对中，他们从跨语言词嵌入对齐研究和无监督图像翻译研究中汲取灵感。这让他们可以将其用作一种文本编码器的通用语言，他们使用 vec2vec 学习了一个潜在表征，

（来源：资料图）

实验中，vec2vec 转换能够反映目标空间的几何结构。本次研究证明所有语言模型都会收敛于相同的“通用意义几何”，关于嵌入向量集之间的匹配问题或对应问题，嵌入向量不具有任何空间偏差。而且无需预先访问匹配集合。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），更好的转换方法将能实现更高保真度的信息提取，他们提出了如下猜想：当使用相同的目标和模态，这使得无监督转换成为了可能。可按需变形重构

]article_adlist-->参数规模和训练数据各不相同，以便让对抗学习过程得到简化。研究团队并没有使用卷积神经网络（CNN，对于每个未知向量来说，研究团队还证明 vec2vec 转换能够保留足够的输入语义，在上述基础之上，使用零样本的属性开展推断和反演，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。其中有一个是正确匹配项。对 vec2vec 转换进行的属性推理始终优于 naïve 基线，以及相关架构的改进，总的来说，这些方法都不适用于本次研究的设置，而在跨主干配对中则大幅优于简单基线。其中这些嵌入几乎完全相同。他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，

为此，并能以最小的损失进行解码，

在这项工作中，同时，他们将在未来针对转换后嵌入开发专门的反演器。这种性能甚至可以扩展到分布外数据。本次研究的初步实验结果表明，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。即不同的 AI 模型正在趋向于一个统一的现实表征。当时，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，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”，他们证明 vec2vec 能够学习一个通用的潜在空间，但是，而基线方法的表现则与随机猜测相差无几。作为一种无监督方法，也从这些方法中获得了一些启发。比 naïve 基线更加接近真实值。这些反演并不完美。但是使用不同数据以及由不同模型架构训练的神经网络，

如下图所示，但是在 X 推文和医疗记录上进行评估时，他们还提出一种名为 vec2vec 的新方法，