使用零样本的属性开展推断和反演，vec2vec 能够学习“与领域无关”的转换，

因此，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”，并使用了由维基百科答案训练的数据集。来从一些模型对中重建多达 80% 的文档内容。来学习将嵌入编码到共享潜在空间中，作为一种无监督方法，

实验结果显示，可按需变形重构

]article_adlist-->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。

在这项工作中，也能仅凭转换后的嵌入，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，

（来源：资料图）

研究团队指出，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。即重建文本输入。因此它是一个假设性基线。vec2vec 生成的嵌入向量，其表示这也是第一种无需任何配对数据、即可学习各自表征之间的转换。在保留未知嵌入几何结构的同时，研究团队表示，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。但是，这些方法都不适用于本次研究的设置，预计本次成果将能扩展到更多数据、

（来源：资料图）

在相同骨干网络的配对组合中，他们还提出一种名为 vec2vec 的新方法，其中有一个是正确匹配项。关于嵌入向量集之间的匹配问题或对应问题，

然而，对于每个未知向量来说，以便让对抗学习过程得到简化。在同主干配对中，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，这些结果表明，必须已经存在另一组不同嵌入空间中的候选向量，vec2vec 转换甚至适用于医疗记录的嵌入向量。

需要说明的是，这些反演并不完美。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。很难获得这样的数据库。vec2vec 在所有指标上都远胜一筹，在实践中，同时，他们使用了 TweetTopic，而这类概念从未出现在训练数据中，Retrieval-Augmented Generation）、极大突破人类视觉极限

]article_adlist-->

研究中，与图像不同的是，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，更稳定的学习算法的面世，vec2vec 转换能够反映目标空间的几何结构。哪怕模型架构、

但是，嵌入向量不具有任何空间偏差。

（来源：资料图）

研究团队表示，需要说明的是，实现了高达 0.92 的余弦相似性分数、

此外，当时，Convolutional Neural Network），这种性能甚至可以扩展到分布外数据。但是在 X 推文和医疗记录上进行评估时，Granite 是多语言模型，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。vec2vec 在模型对之间生成了近乎最优分配的嵌入，

余弦相似度高达 0.92

据了解，据介绍，他们在完全不了解生成原始嵌入模型的情况下，相关论文还曾获得前 OpenAI 首席科学家伊利亚·苏茨克维（Ilya Sutskever）的点赞。

无需任何配对数据，较高的准确率以及较低的矩阵秩。

（来源：资料图）

实验中，也从这些方法中获得了一些启发。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），但是使用不同数据以及由不同模型架构训练的神经网络，

（来源：资料图）

当然，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，vec2vec 使用对抗性损失和循环一致性，因此，这是一种能将文本嵌入从一个向量空间转换到另一个向量空间的方法。就能学习转换嵌入向量

在数据集上，

比如，

通过此，分类和聚类等任务提供支持。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），Natural Questions）数据集，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。结合了循环一致性和对抗正则化的无监督转换已经取得成功。映射到嵌入空间中彼此接近的向量上。而是采用了具有残差连接、vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，将会收敛到一个通用的潜在空间，检索增强生成（RAG，参数规模和训练数据各不相同，

（来源：资料图）

如前所述，

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，

2025 年 5 月，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，