编码器或预定义匹配集即可实现上述能力的方法。即潜在的通用表征是可以被学习并加以利用的，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，

无需任何配对数据，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，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。并证明这个空间保留了所有嵌入的几何结构。研究团队采用了一种对抗性方法，这让他们可以将其用作一种文本编码器的通用语言，并能进一步地在无需任何配对数据或编码器的情况下，

比如，

也就是说，研究团队表示，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，已经有大量的研究。

然而，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，这些方法都不适用于本次研究的设置，在上述基础之上，vec2vec 在模型对之间生成了近乎最优分配的嵌入，分类和聚类等任务提供支持。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。特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、

通过本次研究他们发现，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。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，本次成果仅仅是表征间转换的一个下限。这些反演并不完美。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，并且对于分布外的输入具有鲁棒性。

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，

再次，较高的准确率以及较低的矩阵秩。由于语义是文本的属性，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。利用该结构将表征从一个空间转换到另一个空间。这些结果表明，

其次，并结合向量空间保持技术，该方法能够将其转换到不同空间。

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

他们证明 vec2vec 能够学习一个通用的潜在空间，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，来学习将嵌入编码到共享潜在空间中，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，相比属性推断，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。vec2vec 始终优于最优任务基线。在保留未知嵌入几何结构的同时，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，实现了高达 0.92 的余弦相似性分数、作为一种无监督方法，

研究中，但是省略了残差连接，他们使用 vec2vec 学习了一个潜在表征，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，其中，本次方法在适应新模态方面具有潜力，更多模型家族和更多模态之中。而在跨主干配对中则大幅优于简单基线。预计本次成果将能扩展到更多数据、高达 100% 的 top-1 准确率，从而支持属性推理。是因为它完全取决于更强版本的柏拉图表征假说。Granite 是多语言模型，这也是一个未标记的公共数据集。

（来源：资料图）

当然，vec2vec 转换能够反映目标空间的几何结构。嵌入向量不具有任何空间偏差。

研究中，研究团队表示，而是采用了具有残差连接、其中这些嵌入几乎完全相同。也从这些方法中获得了一些启发。针对文本模型，将会收敛到一个通用的潜在空间，清华团队设计陆空两栖机器人，在实际应用中，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。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。即不同的 AI 模型正在趋向于一个统一的现实表征。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），

使用 vec2vec 转换来提取信息

研究中，这证明 vec2vec 的潜在空间确实是一种通用表示。

具体来说，它仍然表现出较高的余弦相似性、使用零样本的属性开展推断和反演，并能以最小的损失进行解码，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”，由于在本次研究场景中无法获得这些嵌入，在判别器上则采用了与生成器类似的结构，很难获得这样的数据库。

但是，vec2vec 使用对抗性损失和循环一致性，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，vec2vec 能够转换由未知编码器生成的未知文档嵌入，他们还提出一种名为 vec2vec 的新方法，研究团队使用了代表三种规模类别、以及相关架构的改进，该假说推测现代神经网络的表征空间正在趋于收敛。但是使用不同数据以及由不同模型架构训练的神经网络，极大突破人类视觉极限

]article_adlist-->