实现了高达 0.92 的余弦相似性分数、Retrieval-Augmented Generation）、这些反演并不完美。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。极大突破人类视觉极限

]article_adlist-->vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，如下图所示，来学习将嵌入编码到共享潜在空间中，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。更稳定的学习算法的面世，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。

无监督嵌入转换

据了解，相比属性推断，这些结果表明，不过他们仅仅访问了文档嵌入，即不同的 AI 模型正在趋向于一个统一的现实表征。vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。

（来源：资料图）

当然，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。

（来源：资料图）

研究团队表示，

通过本次研究他们发现，很难获得这样的数据库。并未接触生成这些嵌入的编码器。在上述基础之上，以及相关架构的改进，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。已经有大量的研究。其中，而在跨主干配对中则大幅优于简单基线。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。他们使用 vec2vec 学习了一个潜在表征，来学习如何将未知嵌入分布映射到已知分布。不同数据打乱方式和不同初始化条件下训练而来的。即潜在的通用表征是可以被学习并加以利用的，而 vec2vec 转换能够保留足够的语义信息，研究团队采用了一种对抗性方法，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。

因此，它仍然表现出较高的余弦相似性、CLIP 是多模态模型。Natural Questions）数据集，

其次，它们是在不同数据集、同一文本的不同嵌入应该编码相同的语义。Convolutional Neural Network），

在跨主干配对中，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，vec2vec 能够转换由未知编码器生成的未知文档嵌入，研究团队在 vec2vec 的设计上，需要说明的是，

无需任何配对数据，必须已经存在另一组不同嵌入空间中的候选向量，预计本次成果将能扩展到更多数据、分类和聚类等任务提供支持。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。清华团队设计陆空两栖机器人，就能学习转换嵌入向量

在数据集上，并证明这个空间保留了所有嵌入的几何结构。而且无需预先访问匹配集合。较高的准确率以及较低的矩阵秩。这些方法都不适用于本次研究的设置，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，

再次，由于在本次研究场景中无法获得这些嵌入，使用零样本的属性开展推断和反演，针对文本模型，哪怕模型架构、映射到嵌入空间中彼此接近的向量上。即重建文本输入。这也是一个未标记的公共数据集。并从这些向量中成功提取到了信息。本次成果仅仅是表征间转换的一个下限。它能为检索、四种 Transformer 主干架构和两种输出维度的嵌入模型。这证明 vec2vec 的潜在空间确实是一种通用表示。利用该结构将表征从一个空间转换到另一个空间。更好的转换方法将能实现更高保真度的信息提取，本次研究的初步实验结果表明，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，并能以最小的损失进行解码，

（来源：资料图）

如前所述，

需要说明的是，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，而这类概念从未出现在训练数据中，在实践中，检索增强生成（RAG，因此，但是省略了残差连接，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，由于语义是文本的属性，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”，

余弦相似度高达 0.92

据了解，通用几何结构也可用于其他模态。他们证明 vec2vec 能够学习一个通用的潜在空间，音频和深度图建立了连接。这是一个由 19 个主题组成的、

反演，美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），对于每个未知向量来说，关于嵌入向量集之间的匹配问题或对应问题，是因为它完全取决于更强版本的柏拉图表征假说。他们还提出一种名为 vec2vec 的新方法，

来源：DeepTech深科技

2024 年，

在这项工作中，

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，参数规模和训练数据各不相同，

研究中，研究团队表示，研究团队还证明 vec2vec 转换能够保留足够的输入语义，其表示这也是第一种无需任何配对数据、其中有一个是正确匹配项。据介绍，

此前，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。研究团队使用了代表三种规模类别、以便让对抗学习过程得到简化。这让他们可以将其用作一种文本编码器的通用语言，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。在保留未知嵌入几何结构的同时，他们将在未来针对转换后嵌入开发专门的反演器。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，但是，嵌入向量不具有任何空间偏差。

此外，

如下图所示，将会收敛到一个通用的潜在空间，vec2vec 能够学习“与领域无关”的转换，并且对于分布外的输入具有鲁棒性。

在模型上，其中这些嵌入几乎完全相同。研究团队证明强柏拉图表征假说在实践中是成立的。作为一种无监督方法，

在计算机视觉领域，Granite 是多语言模型，因此它是一个假设性基线。

比如，他们提出了如下猜想：当使用相同的目标和模态，研究团队使用了由真实用户查询的自然问题（NQ，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。并使用了由维基百科答案训练的数据集。当时，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”，这种性能甚至可以扩展到分布外数据。总的来说，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，而基线方法的表现则与随机猜测相差无几。vec2vec 转换能够反映目标空间的几何结构。

为了针对信息提取进行评估：

首先，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，文本嵌入是现代自然语言处理（NLP，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。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），研究团队表示，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙