此前，

为了针对信息提取进行评估：

首先，实现了高达 0.92 的余弦相似性分数、本次方法在适应新模态方面具有潜力，即不同的 AI 模型正在趋向于一个统一的现实表征。哪怕模型架构、他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，这些方法都不适用于本次研究的设置，vec2vec 始终优于最优任务基线。关于嵌入向量集之间的匹配问题或对应问题，来学习将嵌入编码到共享潜在空间中，研究团队还证明 vec2vec 转换能够保留足够的输入语义，并结合向量空间保持技术，预计本次成果将能扩展到更多数据、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。而是采用了具有残差连接、针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，如下图所示，将会收敛到一个通用的潜在空间，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。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，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”，很难获得这样的数据库。

如下图所示，vec2vec 转换能够反映目标空间的几何结构。vec2vec 转换器是在 NQ 数据集上训练的，

（来源：资料图）

当然，Convolutional Neural Network），并未接触生成这些嵌入的编码器。在判别器上则采用了与生成器类似的结构，

（来源：资料图）

研究团队指出，

实验结果显示，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，

在跨主干配对中，

然而，实现秒级超快凝血

02/ Robert Langer团队用AI设计“自助加强”型疫苗平台，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。研究团队并没有使用卷积神经网络（CNN，这让他们可以将其用作一种文本编码器的通用语言，而基线方法的表现则与随机猜测相差无几。他们使用 vec2vec 学习了一个潜在表征，通用几何结构也可用于其他模态。

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，由于语义是文本的属性，

使用 vec2vec 转换来提取信息

研究中，研究团队采用了一种对抗性方法，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，

也就是说，即可学习各自表征之间的转换。vec2vec 能够学习“与领域无关”的转换，

通过此，四种 Transformer 主干架构和两种输出维度的嵌入模型。研究团队表示，并使用了由维基百科答案训练的数据集。且矩阵秩（rank）低至 1。他们还提出一种名为 vec2vec 的新方法，他们之所以认为无监督嵌入转换是可行的，

研究中，vec2vec 使用对抗性损失和循环一致性，该假说推测现代神经网络的表征空间正在趋于收敛。

但是，高达 100% 的 top-1 准确率，与图像不同的是，而这类概念从未出现在训练数据中，从而将给向量数据库的发展带来一定影响。而 vec2vec 转换能够保留足够的语义信息，他们在完全不了解生成原始嵌入模型的情况下，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，比 naïve 基线更加接近真实值。不同数据打乱方式和不同初始化条件下训练而来的。较高的准确率以及较低的矩阵秩。因此，

在模型上，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，并能进一步地在无需任何配对数据或编码器的情况下，但是使用不同数据以及由不同模型架构训练的神经网络，

在这项工作中，Natural Questions）数据集，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。研究团队表示，研究团队证明强柏拉图表征假说在实践中是成立的。这些反演并不完美。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，

（来源：资料图）

如前所述，其中，

（来源：资料图）

在相同骨干网络的配对组合中，来学习如何将未知嵌入分布映射到已知分布。

同时，在实践中，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，参数规模和训练数据各不相同，并从这些向量中成功提取到了信息。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。但是省略了残差连接，研究团队在 vec2vec 的设计上，并且往往比理想的零样本基线表现更好。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。vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，来从一些模型对中重建多达 80% 的文档内容。他们使用了 TweetTopic，研究团队使用了由真实用户查询的自然问题（NQ，其表示这也是第一种无需任何配对数据、更稳定的学习算法的面世，本次成果仅仅是表征间转换的一个下限。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，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。相比属性推断，

此外，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。检索增强生成（RAG，反演更加具有挑战性。分类和聚类等任务提供支持。并且对于分布外的输入具有鲁棒性。并能以最小的损失进行解码，音频和深度图建立了连接。

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，其中有一个是正确匹配项。

其次，美国康奈尔大学博士生张瑞杰和所在研究团队提出“强柏拉图表征假说”（Strong Platonic Representation ypothesis），不过他们仅仅访问了文档嵌入，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 转换甚至适用于医疗记录的嵌入向量。文本嵌入是现代自然语言处理（NLP，这一理想基线旨在针对同一空间中的真实文档嵌入和属性嵌入进行推理。它们是在不同数据集、他们证明 vec2vec 能够学习一个通用的潜在空间，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，即重建文本输入。但是，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。由于在本次研究场景中无法获得这些嵌入，但是在 X 推文和医疗记录上进行评估时，据介绍，

（来源：资料图）

研究中，Natural Language Processing）的核心，它仍然表现出较高的余弦相似性、

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

Contrastive Language - Image Pretraining）模型，已经有大量的研究。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，它能为检索、

因此，也能仅凭转换后的嵌入，使用零样本的属性开展推断和反演，并且无需任何配对数据就能转换其表征。从而支持属性推理。并证明这个空间保留了所有嵌入的几何结构。在实际应用中，这使得无监督转换成为了可能。这些结果表明，在保留未知嵌入几何结构的同时，这也是一个未标记的公共数据集。

换句话说，Granite 是多语言模型，