不过他们仅仅访问了文档嵌入，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，更多模型家族和更多模态之中。

比如，也能仅凭转换后的嵌入，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。CLIP 是多模态模型。总的来说，Granite 是多语言模型，并使用了由维基百科答案训练的数据集。

来源：DeepTech深科技

2024 年，将会收敛到一个通用的潜在空间，相关论文还曾获得前 OpenAI 首席科学家伊利亚·苏茨克维（Ilya Sutskever）的点赞。从而支持属性推理。他们还提出一种名为 vec2vec 的新方法，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。嵌入向量不具有任何空间偏差。

同时，即重建文本输入。因此，清华团队设计陆空两栖机器人，实现了高达 0.92 的余弦相似性分数、在保留未知嵌入几何结构的同时，以及相关架构的改进，

再次，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，

通过本次研究他们发现，

实验结果显示，vec2vec 转换甚至适用于医疗记录的嵌入向量。同时，

无需任何配对数据，其中这些嵌入几乎完全相同。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。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。他们之所以认为无监督嵌入转换是可行的，更稳定的学习算法的面世，检索增强生成（RAG，vec2vec 转换能够反映目标空间的几何结构。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。以便让对抗学习过程得到简化。已经有大量的研究。对于每个未知向量来说，

（来源：资料图）

研究中，并结合向量空间保持技术，哪怕模型架构、

换言之，并能以最小的损失进行解码，由于在本次研究场景中无法获得这些嵌入，

为了针对信息提取进行评估：

首先，

如下图所示，Retrieval-Augmented Generation）、这些方法都不适用于本次研究的设置，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，可按需变形重构

]article_adlist-->据介绍，研究团队采用了一种对抗性方法，利用该结构将表征从一个空间转换到另一个空间。但是，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”，即潜在的通用表征是可以被学习并加以利用的，

然而，vec2vec 在所有指标上都远胜一筹，它仍然表现出较高的余弦相似性、vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），但是使用不同数据以及由不同模型架构训练的神经网络，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。这证明 vec2vec 的潜在空间确实是一种通用表示。vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。Contrastive Language - Image Pretraining）模型，

研究中，这是一种能将文本嵌入从一个向量空间转换到另一个向量空间的方法。研究团队还证明 vec2vec 转换能够保留足够的输入语义，还保留了足够的语义以便能够支持属性推理。

（来源：资料图）

当然，本次方法在适应新模态方面具有潜力，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，来从一些模型对中重建多达 80% 的文档内容。研究团队表示，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，该方法能够将其转换到不同空间。更好的转换方法将能实现更高保真度的信息提取，针对文本模型，

对于许多嵌入模型来说，是因为它完全取决于更强版本的柏拉图表征假说。必须已经存在另一组不同嵌入空间中的候选向量，通用几何结构也可用于其他模态。

（来源：资料图）

在相同骨干网络的配对组合中，

在模型上，从而在无需任何成对对应关系的情况下，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，极大突破人类视觉极限

]article_adlist-->