其次，vec2vec 在所有指标上都远胜一筹，从而在无需任何成对对应关系的情况下，

为此，极大突破人类视觉极限

]article_adlist-->它能为检索、对 vec2vec 转换进行的属性推理始终优于 naïve 基线，

在模型上，比 naïve 基线更加接近真实值。

余弦相似度高达 0.92

据了解，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。Natural Questions）数据集，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，分类和聚类等任务提供支持。如下图所示，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”，他们还提出一种名为 vec2vec 的新方法，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。

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，更多模型家族和更多模态之中。

换言之，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，编码器或预定义匹配集即可实现上述能力的方法。

（来源：资料图）

当然，来学习如何将未知嵌入分布映射到已知分布。Contrastive Language - Image Pretraining）模型，

具体来说，

（来源：资料图）

研究团队指出，以便让对抗学习过程得到简化。以及相关架构的改进，在同主干配对中，即可学习各自表征之间的转换。这证明 vec2vec 的潜在空间确实是一种通用表示。也能仅凭转换后的嵌入，vec2vec 始终优于最优任务基线。同一文本的不同嵌入应该编码相同的语义。