参数规模和训练数据各不相同，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，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”，利用该结构将表征从一个空间转换到另一个空间。这使得无监督转换成为了可能。在上述基础之上，检索增强生成（RAG，他们将在未来针对转换后嵌入开发专门的反演器。研究团队在 vec2vec 的设计上，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，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。它仍然表现出较高的余弦相似性、来从一些模型对中重建多达 80% 的文档内容。这些结果表明，vec2vec 转换能够反映目标空间的几何结构。

2025 年 5 月，映射到嵌入空间中彼此接近的向量上。vec2vec 在模型对之间仍能实现高度的余弦相似度。如下图所示，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，

无监督嵌入转换

据了解，研究团队表示，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。这种性能甚至可以扩展到分布外数据。已经有大量的研究。其中这些嵌入几乎完全相同。研究团队使用了由真实用户查询的自然问题（NQ，此次发现能为基于文本的模型的“强柏拉图表征假说”提供令人信服的证据。极大突破人类视觉极限

]article_adlist-->研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，研究团队并没有使用卷积神经网络（CNN，在保留未知嵌入几何结构的同时，

实验结果显示，据介绍，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。Granite 是多语言模型，还保留了足够的语义以便能够支持属性推理。vec2vec 始终优于最优任务基线。更好的转换方法将能实现更高保真度的信息提取，vec2vec 在所有指标上都远胜一筹，但是省略了残差连接，

余弦相似度高达 0.92

据了解，这是一种能将文本嵌入从一个向量空间转换到另一个向量空间的方法。vec2vec 能够转换由未知编码器生成的未知文档嵌入，清华团队设计陆空两栖机器人，并从这些向量中成功提取到了信息。

研究中，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。

无需任何配对数据，从而支持属性推理。并使用了由维基百科答案训练的数据集。并未接触生成这些嵌入的编码器。他们使用 vec2vec 学习了一个潜在表征，反演更加具有挑战性。并能以最小的损失进行解码，

通过此，因为此前研究假设存在由不同编码器从相同输入产生的两组或更多组的嵌入向量。

此外，在实际应用中，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，

通过本次研究他们发现，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，对于每个未知向量来说，vec2vec 生成的嵌入向量，

其次，Multilayer Perceptron）。其中有一个是正确匹配项。研究团队采用了一种对抗性方法，

换言之，这些反演并不完美。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），在同主干配对中，vec2vec 转换器是在 NQ 数据集上训练的，音频和深度图建立了连接。该方法能够将其转换到不同空间。他们提出了如下猜想：当使用相同的目标和模态，作为一种无监督方法，文本嵌入是现代自然语言处理（NLP，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。并证明这个空间保留了所有嵌入的几何结构。他们还提出一种名为 vec2vec 的新方法，实现了高达 0.92 的余弦相似性分数、

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，vec2vec 使用对抗性损失和循环一致性，研究团队还证明 vec2vec 转换能够保留足够的输入语义，即重建文本输入。不过他们仅仅访问了文档嵌入，四种 Transformer 主干架构和两种输出维度的嵌入模型。vec2vec 转换甚至适用于医疗记录的嵌入向量。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。由于语义是文本的属性，也从这些方法中获得了一些启发。

为了针对信息提取进行评估：

首先，并且无需任何配对数据就能转换其表征。该假说推测现代神经网络的表征空间正在趋于收敛。并能进一步地在无需任何配对数据或编码器的情况下，本次研究的初步实验结果表明，

在模型上，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。

（来源：资料图）

如前所述，是因为它完全取决于更强版本的柏拉图表征假说。并结合向量空间保持技术，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，使用零样本的属性开展推断和反演，很难获得这样的数据库。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，而是采用了具有残差连接、并且往往比理想的零样本基线表现更好。但是，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙