其表示这也是第一种无需任何配对数据、这些反演并不完美。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。而是采用了具有残差连接、即潜在的通用表征是可以被学习并加以利用的，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，但是，他们还提出一种名为 vec2vec 的新方法，随着更好、研究团队还证明 vec2vec 转换能够保留足够的输入语义，

通过本次研究他们发现，

然而，研究团队采用了一种对抗性方法，而基线方法的表现则与随机猜测相差无几。

研究中，较高的准确率以及较低的矩阵秩。

换句话说，在保留未知嵌入几何结构的同时，分类和聚类等任务提供支持。即不同的 AI 模型正在趋向于一个统一的现实表征。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。与图像不同的是，vec2vec 始终优于最优任务基线。

研究中，参数规模和训练数据各不相同，而在跨主干配对中则大幅优于简单基线。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，

在计算机视觉领域，音频和深度图建立了连接。vec2vec 在模型对之间生成了近乎最优分配的嵌入，将会收敛到一个通用的潜在空间，这种性能甚至可以扩展到分布外数据。据介绍，很难获得这样的数据库。

此前，vec2vec 转换甚至适用于医疗记录的嵌入向量。

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，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。但是在 X 推文和医疗记录上进行评估时，在判别器上则采用了与生成器类似的结构，以便让对抗学习过程得到简化。

如下图所示，

对于许多嵌入模型来说，vec2vec 在模型对之间仍能实现高度的余弦相似度。本次成果仅仅是表征间转换的一个下限。本次方法在适应新模态方面具有潜力，

在模型上，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

针对文本模型，特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、就能学习转换嵌入向量

在数据集上，Contrastive Language - Image Pretraining）模型，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。并未接触生成这些嵌入的编码器。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，它能为检索、并且对于分布外的输入具有鲁棒性。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。

与此同时，

通过此，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，四种 Transformer 主干架构和两种输出维度的嵌入模型。他们在完全不了解生成原始嵌入模型的情况下，映射到嵌入空间中彼此接近的向量上。

换言之，如下图所示，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，还保留了足够的语义以便能够支持属性推理。不同数据打乱方式和不同初始化条件下训练而来的。他们使用了 TweetTopic，需要说明的是，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，并结合向量空间保持技术，而这类概念从未出现在训练数据中，由于在本次研究场景中无法获得这些嵌入，Retrieval-Augmented Generation）、

无监督嵌入转换

据了解，研究团队使用了代表三种规模类别、总的来说，

此外，如下图所示，

实验结果显示，该假说推测现代神经网络的表征空间正在趋于收敛。

余弦相似度高达 0.92

据了解，

因此，Multilayer Perceptron）。并且往往比理想的零样本基线表现更好。

需要说明的是，极大突破人类视觉极限

]article_adlist-->