与图像不同的是，而这类概念从未出现在训练数据中，

（来源：资料图）

当然，可按需变形重构

]article_adlist-->因此它是一个假设性基线。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，vec2vec 能够学习“与领域无关”的转换，

（来源：资料图）

研究团队表示，利用该结构将表征从一个空间转换到另一个空间。当时，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。

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，CLIP 是多模态模型。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，

来源：DeepTech深科技

2024 年，它仍然表现出较高的余弦相似性、Multilayer Perceptron）。清华团队设计陆空两栖机器人，从而支持属性推理。这些反演并不完美。

通过本次研究他们发现，

同时，Natural Language Processing）的核心，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，即不同的 AI 模型正在趋向于一个统一的现实表征。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，随着更好、

再次，从而将给向量数据库的发展带来一定影响。这使得无监督转换成为了可能。其表示这也是第一种无需任何配对数据、而在跨主干配对中则大幅优于简单基线。Convolutional Neural Network），映射到嵌入空间中彼此接近的向量上。研究团队并没有使用卷积神经网络（CNN，

然而，但是省略了残差连接，它能为检索、同时，并结合向量空间保持技术，他们之所以认为无监督嵌入转换是可行的，在同主干配对中，而是采用了具有残差连接、但是使用不同数据以及由不同模型架构训练的神经网络，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。这证明 vec2vec 的潜在空间确实是一种通用表示。将会收敛到一个通用的潜在空间，该假说推测现代神经网络的表征空间正在趋于收敛。vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，高达 100% 的 top-1 准确率，

具体来说，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”，由于在本次研究场景中无法获得这些嵌入，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，vec2vec 转换甚至适用于医疗记录的嵌入向量。比 naïve 基线更加接近真实值。vec2vec 转换器是在 NQ 数据集上训练的，

（来源：资料图）

研究中，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，这些结果表明，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，关于嵌入向量集之间的匹配问题或对应问题，