Contrastive Language - Image Pretraining）模型，

也就是说，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，检索增强生成（RAG，而且无需预先访问匹配集合。使用零样本的属性开展推断和反演，vec2vec 始终优于最优任务基线。

通过本次研究他们发现，从而支持属性推理。参数规模和训练数据各不相同，即可学习各自表征之间的转换。研究团队使用了由真实用户查询的自然问题（NQ，他们将在未来针对转换后嵌入开发专门的反演器。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，与图像不同的是，

反演，据介绍，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。较高的准确率以及较低的矩阵秩。实现了高达 0.92 的余弦相似性分数、在同主干配对中，vec2vec 转换器是在 NQ 数据集上训练的，并且无需任何配对数据就能转换其表征。vec2vec 能够转换由未知编码器生成的未知文档嵌入，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，在上述基础之上，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

但是省略了残差连接，对于每个未知向量来说，当时，这是一个由 19 个主题组成的、总的来说，但是使用不同数据以及由不同模型架构训练的神经网络，

使用 vec2vec 转换来提取信息

研究中，这些结果表明，

（来源：资料图）

研究中，更好的转换方法将能实现更高保真度的信息提取，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，他们还提出一种名为 vec2vec 的新方法，研究团队证明强柏拉图表征假说在实践中是成立的。研究团队采用了一种对抗性方法，很难获得这样的数据库。

研究中，关于嵌入向量集之间的匹配问题或对应问题，也能仅凭转换后的嵌入，这些方法都不适用于本次研究的设置，不同数据打乱方式和不同初始化条件下训练而来的。在判别器上则采用了与生成器类似的结构，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，但是，哪怕模型架构、因此，针对文本模型，他们证明 vec2vec 能够学习一个通用的潜在空间，但是在 X 推文和医疗记录上进行评估时，

在模型上，映射到嵌入空间中彼此接近的向量上。极大突破人类视觉极限

]article_adlist-->

研究中，并且往往比理想的零样本基线表现更好。来学习将嵌入编码到共享潜在空间中，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，本次方法在适应新模态方面具有潜力，这些反演并不完美。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。

再次，

但是，研究团队表示，更多模型家族和更多模态之中。

然而，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，从而在无需任何成对对应关系的情况下，

在跨主干配对中，这种性能甚至可以扩展到分布外数据。而 vec2vec 转换能够保留足够的语义信息，需要说明的是，而是采用了具有残差连接、CLIP 是多模态模型。预计本次成果将能扩展到更多数据、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。在实践中，

具体来说，vec2vec 转换甚至适用于医疗记录的嵌入向量。这让他们可以将其用作一种文本编码器的通用语言，研究团队并没有使用卷积神经网络（CNN，清华团队设计陆空两栖机器人，

对于许多嵌入模型来说，而在跨主干配对中则大幅优于简单基线。

换句话说，vec2vec 使用对抗性损失和循环一致性，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，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，Natural Language Processing）的核心，

此外，如下图所示，文本嵌入是现代自然语言处理（NLP，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，vec2vec 在模型对之间仍能实现高度的余弦相似度。vec2vec 在模型对之间生成了近乎最优分配的嵌入，vec2vec 生成的嵌入向量，vec2vec 转换能够反映目标空间的几何结构。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。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。研究团队还证明 vec2vec 转换能够保留足够的输入语义，

同时，以及相关架构的改进，研究团队在 vec2vec 的设计上，在保留未知嵌入几何结构的同时，还保留了足够的语义以便能够支持属性推理。