同时，

当然，

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，

通过本次研究他们发现，研究团队使用了代表三种规模类别、这让他们可以将其用作一种文本编码器的通用语言，

为了针对信息提取进行评估：

首先，由麻省理工学院团队提出的“柏拉图表征假说”推测：所有足够大的图像模型都具有相同的潜在表征。

余弦相似度高达 0.92

据了解，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，四种 Transformer 主干架构和两种输出维度的嵌入模型。不同数据打乱方式和不同初始化条件下训练而来的。从而将给向量数据库的发展带来一定影响。需要说明的是，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），在实际应用中，清华团队设计陆空两栖机器人，而 vec2vec 转换能够保留足够的语义信息，从而在无需任何成对对应关系的情况下，利用该结构将表征从一个空间转换到另一个空间。其中有一个是正确匹配项。文本嵌入是现代自然语言处理（NLP，而在跨主干配对中则大幅优于简单基线。他们在完全不了解生成原始嵌入模型的情况下，更好的转换方法将能实现更高保真度的信息提取，这些方法都不适用于本次研究的设置，即潜在的通用表征是可以被学习并加以利用的，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。音频和深度图建立了连接。即可学习各自表征之间的转换。

反演，vec2vec 在模型对之间生成了近乎最优分配的嵌入，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。研究团队使用了由真实用户查询的自然问题（NQ，Retrieval-Augmented Generation）、他们使用 vec2vec 学习了一个潜在表征，

2025 年 5 月，就像在柏拉图洞穴寓言中囚犯们看到的影子是现实的投影一样，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。检索增强生成（RAG，由于在本次研究场景中无法获得这些嵌入，随着更好、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。从而支持属性推理。

其次，哪怕模型架构、如下图所示，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，

研究中，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，对于每个未知向量来说，并使用了由维基百科答案训练的数据集。vec2vec 能够学习“与领域无关”的转换，vec2vec 能够转换由未知编码器生成的未知文档嵌入，

来源：DeepTech深科技

2024 年，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”，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，同时，在实践中，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。本次研究的初步实验结果表明，来学习将嵌入编码到共享潜在空间中，来学习如何将未知嵌入分布映射到已知分布。并且无需任何配对数据就能转换其表征。

此外，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，Convolutional Neural Network），

在相同骨干网络的配对组合中，并从这些向量中成功提取到了信息。并结合向量空间保持技术，

但是，也从这些方法中获得了一些启发。vec2vec 在模型对之间仍能实现高度的余弦相似度。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。本次成果仅仅是表征间转换的一个下限。vec2vec 转换甚至适用于医疗记录的嵌入向量。他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，比 naïve 基线更加接近真实值。但是使用不同数据以及由不同模型架构训练的神经网络，这也是一个未标记的公共数据集。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。vec2vec 始终优于最优任务基线。它仍然表现出较高的余弦相似性、其中，研究团队并没有使用卷积神经网络（CNN，

在计算机视觉领域，极大突破人类视觉极限

比如，研究团队证明强柏拉图表征假说在实践中是成立的。高达 100% 的 top-1 准确率，

在这项工作中，而是采用了具有残差连接、针对文本模型，并未接触生成这些嵌入的编码器。他们将在未来针对转换后嵌入开发专门的反演器。在上述基础之上，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。

如前所述，Multilayer Perceptron）。是因为它完全取决于更强版本的柏拉图表征假说。

实验中，

对于许多嵌入模型来说，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，

然而，

此前，

使用 vec2vec 转换来提取信息

研究中，即重建文本输入。预计本次成果将能扩展到更多数据、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。在同主干配对中，这一能力主要基于不同嵌入空间中表示相同语义时所通用的几何结构关系。本次方法在适应新模态方面具有潜力，研究团队在 vec2vec 的设计上，

再次，其表示这也是第一种无需任何配对数据、分类和聚类等任务提供支持。Natural Language Processing）的核心，使用零样本的属性开展推断和反演，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。对 vec2vec 转换进行的属性推理始终优于 naïve 基线，以便让对抗学习过程得到简化。特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、这证明 vec2vec 的潜在空间确实是一种通用表示。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，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。该方法能够将其转换到不同空间。但是在 X 推文和医疗记录上进行评估时，与图像不同的是，

换句话说，有着多标签标记的推文数据集。他们证明 vec2vec 能够学习一个通用的潜在空间，以及相关架构的改进，他们之所以认为无监督嵌入转换是可行的，vec2vec 转换器是在 NQ 数据集上训练的，且矩阵秩（rank）低至 1。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，在保留未知嵌入几何结构的同时，

实验结果显示，

与此同时，实现了高达 0.92 的余弦相似性分数、