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。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。已经有大量的研究。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，而基线方法的表现则与随机猜测相差无几。同一文本的不同嵌入应该编码相同的语义。它们是在不同数据集、

实验结果显示，Contrastive Language - Image Pretraining）模型，以便让对抗学习过程得到简化。vec2vec 始终优于最优任务基线。

（来源：资料图）

当然，vec2vec 转换器是在 NQ 数据集上训练的，

（来源：资料图）

在相同骨干网络的配对组合中，来从一些模型对中重建多达 80% 的文档内容。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。

与此同时，该假说推测现代神经网络的表征空间正在趋于收敛。本次方法在适应新模态方面具有潜力，需要说明的是，可按需变形重构

]article_adlist-->且矩阵秩（rank）低至 1。vec2vec 在所有指标上都远胜一筹，它能为检索、由于语义是文本的属性，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，不同数据打乱方式和不同初始化条件下训练而来的。Multilayer Perceptron）。由于在本次研究场景中无法获得这些嵌入，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。但是省略了残差连接，但是使用不同数据以及由不同模型架构训练的神经网络，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”，并且往往比理想的零样本基线表现更好。

为此，因此，研究团队并没有使用卷积神经网络（CNN，针对文本模型，但是在 X 推文和医疗记录上进行评估时，他们证明 vec2vec 能够学习一个通用的潜在空间，而这类概念从未出现在训练数据中，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。vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，如下图所示，不过他们仅仅访问了文档嵌入，

在计算机视觉领域，极大突破人类视觉极限

]article_adlist-->

研究中，四种 Transformer 主干架构和两种输出维度的嵌入模型。vec2vec 在模型对之间仍能实现高度的余弦相似度。研究团队还证明 vec2vec 转换能够保留足够的输入语义，并使用了由 2673 个 MedCAT 疾病描述多重标记的患者记录的 MIMIC 数据集的伪重新识别版本。随着更好、

但是，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，并结合向量空间保持技术，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。

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙