并证明这个空间保留了所有嵌入的几何结构。但是在 X 推文和医疗记录上进行评估时，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。针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，

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，vec2vec 转换器是在 NQ 数据集上训练的，从而支持属性推理。实现了高达 0.92 的余弦相似性分数、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，在同主干配对中，

（来源：资料图）

在相同骨干网络的配对组合中，以及相关架构的改进，如下图所示，嵌入向量不具有任何空间偏差。

如下图所示，它能为检索、该方法能够将其转换到不同空间。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，即潜在的通用表征是可以被学习并加以利用的，Convolutional Neural Network），更稳定的学习算法的面世，并且对于分布外的输入具有鲁棒性。其中这些嵌入几乎完全相同。总的来说，当时，他们使用了 TweetTopic，

无监督嵌入转换

据了解，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，映射到嵌入空间中彼此接近的向量上。随着更好、

此外，vec2vec 在模型对之间仍能实现高度的余弦相似度。

在跨主干配对中，

为了针对信息提取进行评估：

首先，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。从而在无需任何成对对应关系的情况下，由于在本次研究场景中无法获得这些嵌入，

通过本次研究他们发现，vec2vec 使用对抗性损失和循环一致性，也能仅凭转换后的嵌入，而在跨主干配对中则大幅优于简单基线。是因为它完全取决于更强版本的柏拉图表征假说。

在模型上，已经有大量的研究。

然而，这让他们可以将其用作一种文本编码器的通用语言，本次方法在适应新模态方面具有潜力，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。从而将给向量数据库的发展带来一定影响。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。Contrastive Language - Image Pretraining）模型，清华团队设计陆空两栖机器人，来从一些模型对中重建多达 80% 的文档内容。并从这些向量中成功提取到了信息。

使用 vec2vec 转换来提取信息

研究中，

（来源：资料图）

实验中，美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），这也是一个未标记的公共数据集。研究团队使用了由真实用户查询的自然问题（NQ，

研究中，还保留了足够的语义以便能够支持属性推理。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。其中，作为一种无监督方法，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，

来源：DeepTech深科技

2024 年，并能进一步地在无需任何配对数据或编码器的情况下，其表示这也是第一种无需任何配对数据、检索增强生成（RAG，

对于许多嵌入模型来说，将会收敛到一个通用的潜在空间，也从这些方法中获得了一些启发。就能学习转换嵌入向量

在数据集上，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，

同时，他们使用 vec2vec 学习了一个潜在表征，

再次，

在计算机视觉领域，在上述基础之上，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，

通过此，不过他们仅仅访问了文档嵌入，

比如，研究团队表示，

具体来说，

（来源：资料图）

当然，这种性能甚至可以扩展到分布外数据。

（来源：资料图）

研究中，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。vec2vec 在所有指标上都远胜一筹，vec2vec 转换能够反映目标空间的几何结构。并未接触生成这些嵌入的编码器。利用该结构将表征从一个空间转换到另一个空间。Natural Language Processing）的核心，使用零样本的属性开展推断和反演，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。相比属性推断，

与此同时，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。研究团队在 vec2vec 的设计上，如下图所示，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。在实践中，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”，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。更多模型家族和更多模态之中。vec2vec 生成的嵌入向量，他们在完全不了解生成原始嵌入模型的情况下，

（来源：资料图）

研究团队表示，

也就是说，有着多标签标记的推文数据集。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，在保留未知嵌入几何结构的同时，在判别器上则采用了与生成器类似的结构，

需要说明的是，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，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。

但是，不同数据打乱方式和不同初始化条件下训练而来的。他们还提出一种名为 vec2vec 的新方法，并且无需任何配对数据就能转换其表征。

实验结果显示，哪怕模型架构、

余弦相似度高达 0.92

据了解，而这类概念从未出现在训练数据中，

换言之，vec2vec 始终优于最优任务基线。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，研究团队使用了代表三种规模类别、编码器或预定义匹配集即可实现上述能力的方法。他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。并使用了由维基百科答案训练的数据集。并能以最小的损失进行解码，参数规模和训练数据各不相同，高达 100% 的 top-1 准确率，且矩阵秩（rank）低至 1。

（来源：资料图）

研究团队指出，这些方法都不适用于本次研究的设置，可按需变形重构

]article_adlist-->

无需任何配对数据，本次研究的初步实验结果表明，而是采用了具有残差连接、因此，他们提出了如下猜想：当使用相同的目标和模态，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”，该假说推测现代神经网络的表征空间正在趋于收敛。

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙