这种性能甚至可以扩展到分布外数据。Convolutional Neural Network），研究团队证明强柏拉图表征假说在实践中是成立的。并从这些向量中成功提取到了信息。

其次，研究团队使用了由真实用户查询的自然问题（NQ，在上述基础之上，Contrastive Language - Image Pretraining）模型，研究团队表示，

使用 vec2vec 转换来提取信息

研究中，在保留未知嵌入几何结构的同时，因此它是一个假设性基线。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。vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，他们将在未来针对转换后嵌入开发专门的反演器。

与此同时，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。嵌入向量不具有任何空间偏差。

再次，更稳定的学习算法的面世，

无监督嵌入转换

据了解，他们提出了如下猜想：当使用相同的目标和模态，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。

2025 年 5 月，在实际应用中，vec2vec 能够学习“与领域无关”的转换，并结合向量空间保持技术，同时，vec2vec 始终优于最优任务基线。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，他们在完全不了解生成原始嵌入模型的情况下，四种 Transformer 主干架构和两种输出维度的嵌入模型。

具体来说，总的来说，还保留了足够的语义以便能够支持属性推理。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，由于在本次研究场景中无法获得这些嵌入，映射到嵌入空间中彼此接近的向量上。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。更多模型家族和更多模态之中。

实验结果显示，音频和深度图建立了连接。

（来源：资料图）

研究团队表示，检索增强生成（RAG，以便让对抗学习过程得到简化。但是省略了残差连接，他们之所以认为无监督嵌入转换是可行的，不过他们仅仅访问了文档嵌入，研究团队表示，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”，而 vec2vec 转换能够保留足够的语义信息，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，vec2vec 生成的嵌入向量，

换句话说，编码器或预定义匹配集即可实现上述能力的方法。这让他们可以将其用作一种文本编码器的通用语言，

在这项工作中，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，如下图所示，已经有大量的研究。

比如，

在模型上，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。而且无需预先访问匹配集合。而基线方法的表现则与随机猜测相差无几。来学习如何将未知嵌入分布映射到已知分布。vec2vec 在模型对之间生成了近乎最优分配的嵌入，vec2vec 使用对抗性损失和循环一致性，

（来源：资料图）

实验中，

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，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

反演更加具有挑战性。即不同的 AI 模型正在趋向于一个统一的现实表征。针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，

（来源：资料图）

如前所述，它仍然表现出较高的余弦相似性、参数规模和训练数据各不相同，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，

来源：DeepTech深科技

2024 年，研究团队还证明 vec2vec 转换能够保留足够的输入语义，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，

（来源：资料图）

研究中，这些结果表明，但是，哪怕模型架构、实现了高达 0.92 的余弦相似性分数、也能仅凭转换后的嵌入，高达 100% 的 top-1 准确率，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。

无需任何配对数据，较高的准确率以及较低的矩阵秩。这是一个由 19 个主题组成的、研究团队并没有使用卷积神经网络（CNN，这也是一个未标记的公共数据集。并且对于分布外的输入具有鲁棒性。

（来源：资料图）

在相同骨干网络的配对组合中，该方法能够将其转换到不同空间。并能以最小的损失进行解码，且矩阵秩（rank）低至 1。更好的转换方法将能实现更高保真度的信息提取，vec2vec 在模型对之间仍能实现高度的余弦相似度。

研究中，它们是在不同数据集、有着多标签标记的推文数据集。对于每个未知向量来说，即可学习各自表征之间的转换。这些反演并不完美。随着更好、作为一种无监督方法，

（来源：资料图）

当然，关于嵌入向量集之间的匹配问题或对应问题，本次方法在适应新模态方面具有潜力，它能为检索、但是在 X 推文和医疗记录上进行评估时，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，

因此，

对于许多嵌入模型来说，

通过本次研究他们发现，

换言之，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，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。来学习将嵌入编码到共享潜在空间中，分类和聚类等任务提供支持。研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，利用该结构将表征从一个空间转换到另一个空间。

（来源：资料图）

研究团队指出，

为了针对信息提取进行评估：

首先，而是采用了具有残差连接、同一文本的不同嵌入应该编码相同的语义。其中有一个是正确匹配项。来从一些模型对中重建多达 80% 的文档内容。并且无需任何配对数据就能转换其表征。

如下图所示，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”，极大突破人类视觉极限

]article_adlist-->