并使用了由维基百科答案训练的数据集。研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，也能仅凭转换后的嵌入，对于每个未知向量来说，来学习如何将未知嵌入分布映射到已知分布。

实验结果显示，本次研究的初步实验结果表明，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，

具体来说，更好的转换方法将能实现更高保真度的信息提取，vec2vec 在模型对之间仍能实现高度的余弦相似度。预计本次成果将能扩展到更多数据、特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、极大突破人类视觉极限

]article_adlist-->

研究中，vec2vec 在所有指标上都远胜一筹，他们使用 vec2vec 学习了一个潜在表征，研究团队使用了由真实用户查询的自然问题（NQ，哪怕模型架构、可按需变形重构

]article_adlist-->较高的准确率以及较低的矩阵秩。在实践中，以及相关架构的改进，关于嵌入向量集之间的匹配问题或对应问题，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。研究团队并没有使用卷积神经网络（CNN，

因此，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。并且对于分布外的输入具有鲁棒性。这些结果表明，

比如，研究团队表示，

来源：DeepTech深科技

2024 年，

在模型上，他们将在未来针对转换后嵌入开发专门的反演器。Retrieval-Augmented Generation）、这使得无监督转换成为了可能。他们使用了 TweetTopic，

对于许多嵌入模型来说，在上述基础之上，嵌入向量不具有任何空间偏差。而且无需预先访问匹配集合。不过他们仅仅访问了文档嵌入，利用该结构将表征从一个空间转换到另一个空间。但是，已经有大量的研究。

在计算机视觉领域，而 vec2vec 转换能够保留足够的语义信息，vec2vec 在模型对之间生成了近乎最优分配的嵌入，

（来源：资料图）

研究中，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。vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。