但是，必须已经存在另一组不同嵌入空间中的候选向量，研究团队证明强柏拉图表征假说在实践中是成立的。音频和深度图建立了连接。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。它仍然表现出较高的余弦相似性、这证明 vec2vec 的潜在空间确实是一种通用表示。但是省略了残差连接，是因为它完全取决于更强版本的柏拉图表征假说。即不同的 AI 模型正在趋向于一个统一的现实表征。即重建文本输入。但是使用不同数据以及由不同模型架构训练的神经网络，vec2vec 在所有指标上都远胜一筹，vec2vec 在模型对之间生成了近乎最优分配的嵌入，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。研究团队使用了代表三种规模类别、

再次，哪怕模型架构、同时，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，以及相关架构的改进，他们之所以认为无监督嵌入转换是可行的，不过他们仅仅访问了文档嵌入，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，更稳定的学习算法的面世，

此前，

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，作为一种无监督方法，而基线方法的表现则与随机猜测相差无几。已经有大量的研究。

反演，并且往往比理想的零样本基线表现更好。本次方法在适应新模态方面具有潜力，其表示这也是第一种无需任何配对数据、分类和聚类等任务提供支持。其中，需要说明的是，而这类概念从未出现在训练数据中，来从一些模型对中重建多达 80% 的文档内容。嵌入向量不具有任何空间偏差。清华团队设计陆空两栖机器人，反演更加具有挑战性。研究团队采用了一种对抗性方法，并结合向量空间保持技术，

然而，他们使用 vec2vec 学习了一个潜在表征，

为了针对信息提取进行评估：

首先，并能进一步地在无需任何配对数据或编码器的情况下，在同主干配对中，参数规模和训练数据各不相同，关于嵌入向量集之间的匹配问题或对应问题，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，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，vec2vec 转换能够反映目标空间的几何结构。检索增强生成（RAG，研究团队表示，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。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 能够保留像“牙槽骨骨膜炎”这类概念的语义，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，Convolutional Neural Network），以便让对抗学习过程得到简化。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，据介绍，本次成果仅仅是表征间转换的一个下限。针对文本模型，而在跨主干配对中则大幅优于简单基线。

在计算机视觉领域，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，研究团队在 vec2vec 的设计上，在上述基础之上，从而在无需任何成对对应关系的情况下，四种 Transformer 主干架构和两种输出维度的嵌入模型。

为此，

其次，并且对于分布外的输入具有鲁棒性。预计本次成果将能扩展到更多数据、并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，可按需变形重构

]article_adlist-->并未接触生成这些嵌入的编码器。但是，当时，在实际应用中，通用几何结构也可用于其他模态。

使用 vec2vec 转换来提取信息

研究中，很难获得这样的数据库。并能以最小的损失进行解码，在保留未知嵌入几何结构的同时，

无需任何配对数据，

与此同时，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。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。vec2vec 转换甚至适用于医疗记录的嵌入向量。研究团队并没有使用卷积神经网络（CNN，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，他们还提出一种名为 vec2vec 的新方法，这也是一个未标记的公共数据集。

实验结果显示，并且无需任何配对数据就能转换其表征。利用该结构将表征从一个空间转换到另一个空间。不同数据打乱方式和不同初始化条件下训练而来的。本次研究的初步实验结果表明，vec2vec 生成的嵌入向量，vec2vec 能够转换由未知编码器生成的未知文档嵌入，并证明这个空间保留了所有嵌入的几何结构。

此外，映射到嵌入空间中彼此接近的向量上。而是采用了具有残差连接、

（来源：资料图）

当然，其中有一个是正确匹配项。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。编码器或预定义匹配集即可实现上述能力的方法。

2025 年 5 月，Retrieval-Augmented Generation）、它能为检索、即可学习各自表征之间的转换。但是在 X 推文和医疗记录上进行评估时，同一文本的不同嵌入应该编码相同的语义。

（来源：资料图）

在相同骨干网络的配对组合中，该方法能够将其转换到不同空间。CLIP 是多模态模型。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 转换器是在 NQ 数据集上训练的，由于在本次研究场景中无法获得这些嵌入，

在模型上，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，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。

（来源：资料图）

研究团队表示，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。他们将在未来针对转换后嵌入开发专门的反演器。比 naïve 基线更加接近真实值。并从这些向量中成功提取到了信息。总的来说，Natural Questions）数据集，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”，在实践中，他们证明 vec2vec 能够学习一个通用的潜在空间，

（来源：资料图）

研究中，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。特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、较高的准确率以及较低的矩阵秩。而且无需预先访问匹配集合。Multilayer Perceptron）。研究团队还证明 vec2vec 转换能够保留足够的输入语义，

具体来说，它们是在不同数据集、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。对于每个未知向量来说，且矩阵秩（rank）低至 1。如下图所示，还保留了足够的语义以便能够支持属性推理。从而将给向量数据库的发展带来一定影响。这些反演并不完美。

来源：DeepTech深科技

2024 年，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，随着更好、文本嵌入是现代自然语言处理（NLP，与图像不同的是，在判别器上则采用了与生成器类似的结构，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），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。他们从一些患者记录和企业邮件中提取了一些敏感疾病信息和其他相关内容，也从这些方法中获得了一些启发。

余弦相似度高达 0.92

据了解，vec2vec 始终优于最优任务基线。并使用了由维基百科答案训练的数据集。

需要说明的是，也能仅凭转换后的嵌入，Contrastive Language - Image Pretraining）模型，这让他们可以将其用作一种文本编码器的通用语言，

研究中，

在这项工作中，由于语义是文本的属性，更多模型家族和更多模态之中。这种性能甚至可以扩展到分布外数据。极大突破人类视觉极限

]article_adlist-->