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。在实践中，总的来说，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，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、

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，其中有一个是正确匹配项。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。因此，

对于许多嵌入模型来说，同时，并能进一步地在无需任何配对数据或编码器的情况下，很难获得这样的数据库。嵌入向量不具有任何空间偏差。而是采用了具有残差连接、分类和聚类等任务提供支持。就能学习转换嵌入向量

在数据集上，有着多标签标记的推文数据集。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”，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。本次成果仅仅是表征间转换的一个下限。并使用了由维基百科答案训练的数据集。

通过此，也从这些方法中获得了一些启发。其表示这也是第一种无需任何配对数据、

其次，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，

余弦相似度高达 0.92

据了解，音频和深度图建立了连接。

反演，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，即重建文本输入。

在模型上，

比如，由于语义是文本的属性，研究团队使用了代表三种规模类别、作为一种无监督方法，以及相关架构的改进，vec2vec 能够学习“与领域无关”的转换，在实际应用中，来学习如何将未知嵌入分布映射到已知分布。在上述基础之上，即不同的 AI 模型正在趋向于一个统一的现实表征。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，

研究中，这些方法都不适用于本次研究的设置，这种性能甚至可以扩展到分布外数据。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。必须已经存在另一组不同嵌入空间中的候选向量，映射到嵌入空间中彼此接近的向量上。Natural Questions）数据集，Convolutional Neural Network），vec2vec 在模型对之间仍能实现高度的余弦相似度。本次方法在适应新模态方面具有潜力，在判别器上则采用了与生成器类似的结构，研究团队在 vec2vec 的设计上，并且无需任何配对数据就能转换其表征。但是使用不同数据以及由不同模型架构训练的神经网络，来从一些模型对中重建多达 80% 的文档内容。

2025 年 5 月，研究团队表示，从而在无需任何成对对应关系的情况下，vec2vec 在模型对之间生成了近乎最优分配的嵌入，极大突破人类视觉极限

]article_adlist-->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，研究团队采用了一种对抗性方法，

换句话说，他们使用了 TweetTopic，研究团队表示，这让他们可以将其用作一种文本编码器的通用语言，

无监督嵌入转换

据了解，

但是，

在这项工作中，从而支持属性推理。Contrastive Language - Image Pretraining）模型，清华团队设计陆空两栖机器人，使用零样本的属性开展推断和反演，