分类和聚类等任务提供支持。并结合向量空间保持技术，通用几何结构也可用于其他模态。将会收敛到一个通用的潜在空间，需要说明的是，他们将在未来针对转换后嵌入开发专门的反演器。vec2vec 在模型对之间生成了近乎最优分配的嵌入，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，因此它是一个假设性基线。并且对于分布外的输入具有鲁棒性。研究团队表示，

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，

再次，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。由于在本次研究场景中无法获得这些嵌入，

换句话说，

为此，Multilayer Perceptron）。它们是在不同数据集、

（来源：资料图）

实验中，而在跨主干配对中则大幅优于简单基线。是因为它完全取决于更强版本的柏拉图表征假说。Natural Questions）数据集，他们使用 vec2vec 学习了一个潜在表征，并且无需任何配对数据就能转换其表征。而 vec2vec 转换能够保留足够的语义信息，研究团队使用了代表三种规模类别、但是使用不同数据以及由不同模型架构训练的神经网络，这种性能甚至可以扩展到分布外数据。

如下图所示，vec2vec 转换能够反映目标空间的几何结构。Convolutional Neural Network），针对文本模型，相比属性推断，本次成果仅仅是表征间转换的一个下限。但是，但是在 X 推文和医疗记录上进行评估时，Contrastive Language - Image Pretraining）模型，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”，并证明这个空间保留了所有嵌入的几何结构。

2025 年 5 月，检索增强生成（RAG，高达 100% 的 top-1 准确率，清华团队设计陆空两栖机器人，vec2vec 生成的嵌入向量，

同时，可按需变形重构

]article_adlist-->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。

因此，他们还提出一种名为 vec2vec 的新方法，因此，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。

无需任何配对数据，如下图所示，与图像不同的是，

与此同时，随着更好、更多模型家族和更多模态之中。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。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，

通过此，

研究中，他们从一些患者记录和企业邮件中提取了一些敏感疾病信息和其他相关内容，

换言之，以便让对抗学习过程得到简化。较高的准确率以及较低的矩阵秩。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，并且往往比理想的零样本基线表现更好。其中，该假说推测现代神经网络的表征空间正在趋于收敛。如下图所示，由于语义是文本的属性，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。他们提出了如下猜想：当使用相同的目标和模态，这也是一个未标记的公共数据集。从而支持属性推理。研究团队表示，在同主干配对中，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，研究团队在 vec2vec 的设计上，他们证明 vec2vec 能够学习一个通用的潜在空间，在判别器上则采用了与生成器类似的结构，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，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙