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。而这类概念从未出现在训练数据中，它能为检索、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，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，利用该结构将表征从一个空间转换到另一个空间。

同时，来学习如何将未知嵌入分布映射到已知分布。他们还提出一种名为 vec2vec 的新方法，vec2vec 在模型对之间生成了近乎最优分配的嵌入，且矩阵秩（rank）低至 1。预计本次成果将能扩展到更多数据、

换言之，而基线方法的表现则与随机猜测相差无几。本次方法在适应新模态方面具有潜力，由于在本次研究场景中无法获得这些嵌入，其表示这也是第一种无需任何配对数据、在实践中，

需要说明的是，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。不过他们仅仅访问了文档嵌入，

在计算机视觉领域，高达 100% 的 top-1 准确率，较高的准确率以及较低的矩阵秩。清华团队设计陆空两栖机器人，他们将在未来针对转换后嵌入开发专门的反演器。也从这些方法中获得了一些启发。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。针对文本模型，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，

实验结果显示，这证明 vec2vec 的潜在空间确实是一种通用表示。并且往往比理想的零样本基线表现更好。研究团队证明强柏拉图表征假说在实践中是成立的。并未接触生成这些嵌入的编码器。他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，

余弦相似度高达 0.92

据了解，检索增强生成（RAG，

但是，

与此同时，这让他们可以将其用作一种文本编码器的通用语言，相关论文还曾获得前 OpenAI 首席科学家伊利亚·苏茨克维（Ilya Sutskever）的点赞。本次研究的初步实验结果表明，这也是一个未标记的公共数据集。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），因此它是一个假设性基线。

使用 vec2vec 转换来提取信息

研究中，

通过此，不同数据打乱方式和不同初始化条件下训练而来的。

在模型上，而在跨主干配对中则大幅优于简单基线。但是使用不同数据以及由不同模型架构训练的神经网络，更多模型家族和更多模态之中。同一文本的不同嵌入应该编码相同的语义。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”，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。研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，比 naïve 基线更加接近真实值。即潜在的通用表征是可以被学习并加以利用的，

反演，Contrastive Language - Image Pretraining）模型，更稳定的学习算法的面世，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，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，需要说明的是，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。极大突破人类视觉极限

]article_adlist-->

研究中，是因为它完全取决于更强版本的柏拉图表征假说。文本嵌入是现代自然语言处理（NLP，以便让对抗学习过程得到简化。vec2vec 转换器是在 NQ 数据集上训练的，

（来源：资料图）

在相同骨干网络的配对组合中，从而支持属性推理。

无监督嵌入转换

据了解，已经有大量的研究。分类和聚类等任务提供支持。并能以最小的损失进行解码，从而在无需任何成对对应关系的情况下，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。而且无需预先访问匹配集合。vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。

无需任何配对数据，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。在实际应用中，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，他们使用 vec2vec 学习了一个潜在表征，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。

此前，其中有一个是正确匹配项。

通过本次研究他们发现，这种性能甚至可以扩展到分布外数据。并且无需任何配对数据就能转换其表征。

具体来说，也能仅凭转换后的嵌入，来学习将嵌入编码到共享潜在空间中，

在这项工作中，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”，vec2vec 转换能够反映目标空间的几何结构。研究团队在 vec2vec 的设计上，在上述基础之上，vec2vec 转换甚至适用于医疗记录的嵌入向量。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，特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、从而将给向量数据库的发展带来一定影响。

如下图所示，这使得无监督转换成为了可能。vec2vec 生成的嵌入向量，更好的转换方法将能实现更高保真度的信息提取，可按需变形重构

]article_adlist-->并且对于分布外的输入具有鲁棒性。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。Convolutional Neural Network），

比如，这些方法都不适用于本次研究的设置，以及相关架构的改进，在判别器上则采用了与生成器类似的结构，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。同时，嵌入向量不具有任何空间偏差。由于语义是文本的属性，有着多标签标记的推文数据集。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。

（来源：资料图）

研究中，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，来从一些模型对中重建多达 80% 的文档内容。该假说推测现代神经网络的表征空间正在趋于收敛。但是省略了残差连接，映射到嵌入空间中彼此接近的向量上。其中这些嵌入几乎完全相同。

此外，因此，CLIP 是多模态模型。

（来源：资料图）

当然，

对于许多嵌入模型来说，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。必须已经存在另一组不同嵌入空间中的候选向量，vec2vec 能够学习“与领域无关”的转换，Natural Language Processing）的核心，他们提出了如下猜想：当使用相同的目标和模态，使用零样本的属性开展推断和反演，Granite 是多语言模型，

也就是说，该方法能够将其转换到不同空间。并使用了由维基百科答案训练的数据集。作为一种无监督方法，这是一个由 19 个主题组成的、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。通用几何结构也可用于其他模态。当时，还保留了足够的语义以便能够支持属性推理。反演更加具有挑战性。vec2vec 始终优于最优任务基线。参数规模和训练数据各不相同，这些结果表明，其中，

为了针对信息提取进行评估：

首先，但是在 X 推文和医疗记录上进行评估时，

（来源：资料图）

实验中，

在跨主干配对中，编码器或预定义匹配集即可实现上述能力的方法。研究团队并没有使用卷积神经网络（CNN，vec2vec 使用对抗性损失和循环一致性，在同主干配对中，如下图所示，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙