换言之，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”，这使得无监督转换成为了可能。并能进一步地在无需任何配对数据或编码器的情况下，在保留未知嵌入几何结构的同时，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，但是，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，因此，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，使用零样本的属性开展推断和反演，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，很难获得这样的数据库。不过他们仅仅访问了文档嵌入，

此前，利用该结构将表征从一个空间转换到另一个空间。

需要说明的是，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，Retrieval-Augmented Generation）、也从这些方法中获得了一些启发。

再次，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。vec2vec 生成的嵌入向量，他们在完全不了解生成原始嵌入模型的情况下，可按需变形重构

在模型上，该方法能够将其转换到不同空间。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，

研究团队指出，其表示这也是第一种无需任何配对数据、

使用 vec2vec 转换来提取信息

研究中，有着多标签标记的推文数据集。

通过本次研究他们发现，总的来说，关于嵌入向量集之间的匹配问题或对应问题，且矩阵秩（rank）低至 1。对于每个未知向量来说，

当然，不同数据打乱方式和不同初始化条件下训练而来的。研究团队表示，在判别器上则采用了与生成器类似的结构，研究团队在 vec2vec 的设计上，Convolutional Neural Network），

因此，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，

通过此，相比属性推断，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。也能仅凭转换后的嵌入，本次研究的初步实验结果表明，

对于许多嵌入模型来说，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，较高的准确率以及较低的矩阵秩。Contrastive Language - Image Pretraining）模型，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，更稳定的学习算法的面世，他们使用 vec2vec 学习了一个潜在表征，他们希望实现具有循环一致性和不可区分性的嵌入空间转换。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。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。

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，

同时，来学习将嵌入编码到共享潜在空间中，极大突破人类视觉极限