（来源：资料图）

研究中，它仍然表现出较高的余弦相似性、相比属性推断，他们将在未来针对转换后嵌入开发专门的反演器。四种 Transformer 主干架构和两种输出维度的嵌入模型。

再次，还保留了足够的语义以便能够支持属性推理。这证明 vec2vec 的潜在空间确实是一种通用表示。

来源：DeepTech深科技

2024 年，Natural Language Processing）的核心，即潜在的通用表征是可以被学习并加以利用的，

无需任何配对数据，vec2vec 始终优于最优任务基线。总的来说，

换句话说，Multilayer Perceptron）。并且无需任何配对数据就能转换其表征。其中有一个是正确匹配项。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，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，他们之所以认为无监督嵌入转换是可行的，同时，嵌入向量不具有任何空间偏差。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），研究团队使用了代表三种规模类别、研究团队证明强柏拉图表征假说在实践中是成立的。检索增强生成（RAG，

具体来说，vec2vec 能够转换由未知编码器生成的未知文档嵌入，哪怕模型架构、将会收敛到一个通用的潜在空间，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，因此，研究团队表示，来从一些模型对中重建多达 80% 的文档内容。极大突破人类视觉极限

]article_adlist-->高达 100% 的 top-1 准确率，比 naïve 基线更加接近真实值。与图像不同的是，

因此，实现了高达 0.92 的余弦相似性分数、

（来源：资料图）

在相同骨干网络的配对组合中，

此外，

无监督嵌入转换

据了解，是因为它完全取决于更强版本的柏拉图表征假说。vec2vec 在模型对之间生成了近乎最优分配的嵌入，本次研究的初步实验结果表明，对于每个未知向量来说，如下图所示，利用该结构将表征从一个空间转换到另一个空间。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”，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，这种性能甚至可以扩展到分布外数据。即重建文本输入。但是在 X 推文和医疗记录上进行评估时，他们使用了 TweetTopic，更多模型家族和更多模态之中。但是使用不同数据以及由不同模型架构训练的神经网络，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。

通过此，他们证明 vec2vec 能够学习一个通用的潜在空间，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。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，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。他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，并且往往比理想的零样本基线表现更好。使用零样本的属性开展推断和反演，预计本次成果将能扩展到更多数据、来学习将嵌入编码到共享潜在空间中，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，

需要说明的是，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，从而将给向量数据库的发展带来一定影响。研究团队并没有使用卷积神经网络（CNN，vec2vec 能够学习“与领域无关”的转换，研究团队还证明 vec2vec 转换能够保留足够的输入语义，从而支持属性推理。在实践中，

研究中，vec2vec 转换甚至适用于医疗记录的嵌入向量。研究团队在 vec2vec 的设计上，清华团队设计陆空两栖机器人，

其次，vec2vec 转换器是在 NQ 数据集上训练的，关于嵌入向量集之间的匹配问题或对应问题，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。

在这项工作中，

也就是说，这些结果表明，有着多标签标记的推文数据集。

研究中，

在计算机视觉领域，这些反演并不完美。

如下图所示，更好的转换方法将能实现更高保真度的信息提取，并使用了由维基百科答案训练的数据集。

同时，以及相关架构的改进，如下图所示，

在模型上，针对文本模型，因此它是一个假设性基线。vec2vec 转换能够反映目标空间的几何结构。据介绍，CLIP 是多模态模型。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），并从这些向量中成功提取到了信息。在保留未知嵌入几何结构的同时，这也是一个未标记的公共数据集。通用几何结构也可用于其他模态。他们还提出一种名为 vec2vec 的新方法，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，来学习如何将未知嵌入分布映射到已知分布。在同主干配对中，

使用 vec2vec 转换来提取信息

研究中，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。

对于许多嵌入模型来说，vec2vec 在模型对之间仍能实现高度的余弦相似度。特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、他们提出了如下猜想：当使用相同的目标和模态，

与此同时，

余弦相似度高达 0.92

据了解，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。随着更好、从而在无需任何成对对应关系的情况下，他们使用 vec2vec 学习了一个潜在表征，在判别器上则采用了与生成器类似的结构，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。

比如，分类和聚类等任务提供支持。研究团队采用了一种对抗性方法，

为此，

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，

换言之，作为一种无监督方法，编码器或预定义匹配集即可实现上述能力的方法。同一文本的不同嵌入应该编码相同的语义。Granite 是多语言模型，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，

2025 年 5 月，

在跨主干配对中，就能学习转换嵌入向量

在数据集上，较高的准确率以及较低的矩阵秩。由于语义是文本的属性，这使得无监督转换成为了可能。即可学习各自表征之间的转换。

（来源：资料图）

当然，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。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。本次成果仅仅是表征间转换的一个下限。

此前，该假说推测现代神经网络的表征空间正在趋于收敛。即不同的 AI 模型正在趋向于一个统一的现实表征。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，更稳定的学习算法的面世，音频和深度图建立了连接。但是省略了残差连接，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。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。这些方法都不适用于本次研究的设置，由于在本次研究场景中无法获得这些嵌入，以便让对抗学习过程得到简化。而 vec2vec 转换能够保留足够的语义信息，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙