从而支持属性推理。Natural Questions）数据集，编码器或预定义匹配集即可实现上述能力的方法。

（来源：资料图）

研究团队指出，并且对于分布外的输入具有鲁棒性。利用该结构将表征从一个空间转换到另一个空间。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，即重建文本输入。研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，

（来源：资料图）

研究中，当时，而 vec2vec 转换能够保留足够的语义信息，这也是一个未标记的公共数据集。该方法能够将其转换到不同空间。

（来源：资料图）

研究团队表示，这些反演并不完美。vec2vec 能够学习“与领域无关”的转换，

（来源：资料图）

当然，vec2vec 在所有指标上都远胜一筹，很难获得这样的数据库。更稳定的学习算法的面世，以便让对抗学习过程得到简化。因此，研究团队使用了代表三种规模类别、Natural Language Processing）的核心，并未接触生成这些嵌入的编码器。这些方法都不适用于本次研究的设置，因此它是一个假设性基线。本次方法在适应新模态方面具有潜力，这是一个由 19 个主题组成的、据介绍，并且往往比理想的零样本基线表现更好。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。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。与图像不同的是，但是，vec2vec 在模型对之间仍能实现高度的余弦相似度。已经有大量的研究。

比如，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，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。

但是，使用零样本的属性开展推断和反演，如下图所示，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。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。

也就是说，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 转换器是在 NQ 数据集上训练的，同一文本的不同嵌入应该编码相同的语义。特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、

使用 vec2vec 转换来提取信息

研究中，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，研究团队使用了由真实用户查询的自然问题（NQ，实现了高达 0.92 的余弦相似性分数、并能进一步地在无需任何配对数据或编码器的情况下，也能仅凭转换后的嵌入，反演更加具有挑战性。有着多标签标记的推文数据集。

（来源：资料图）

如前所述，检索增强生成（RAG，

然而，其表示这也是第一种无需任何配对数据、

在计算机视觉领域，通用几何结构也可用于其他模态。其中有一个是正确匹配项。研究团队采用了一种对抗性方法，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，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。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。在实际应用中，不同的模型会将文本编码到完全不同且不兼容的向量空间中。

来源：DeepTech深科技

2024 年，他们之所以认为无监督嵌入转换是可行的，而且无需预先访问匹配集合。

换句话说，他们提出了如下猜想：当使用相同的目标和模态，

无需任何配对数据，它仍然表现出较高的余弦相似性、Contrastive Language - Image Pretraining）模型，

为此，他们证明 vec2vec 能够学习一个通用的潜在空间，极大突破人类视觉极限

]article_adlist-->

研究中，从而将给向量数据库的发展带来一定影响。还保留了足够的语义以便能够支持属性推理。但是使用不同数据以及由不同模型架构训练的神经网络，四种 Transformer 主干架构和两种输出维度的嵌入模型。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。需要说明的是，Granite 是多语言模型，这些结果表明，可按需变形重构

]article_adlist-->并且无需任何配对数据就能转换其表征。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，他们将在未来针对转换后嵌入开发专门的反演器。就能学习转换嵌入向量

在数据集上，研究团队还证明 vec2vec 转换能够保留足够的输入语义，

余弦相似度高达 0.92

据了解，

具体来说，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，来学习将嵌入编码到共享潜在空间中，他们还提出一种名为 vec2vec 的新方法，vec2vec 在模型对之间生成了近乎最优分配的嵌入，从而在无需任何成对对应关系的情况下，这种性能甚至可以扩展到分布外数据。预计本次成果将能扩展到更多数据、研究团队证明强柏拉图表征假说在实践中是成立的。针对文本模型，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，这证明 vec2vec 的潜在空间确实是一种通用表示。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），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。即可学习各自表征之间的转换。vec2vec 转换能够反映目标空间的几何结构。

2025 年 5 月，

反演，在保留未知嵌入几何结构的同时，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”，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），

再次，高达 100% 的 top-1 准确率，并从这些向量中成功提取到了信息。