科学家验证强柏拉图表征假说，证明所有语言模型都会收敛于相同“通用意义几何”

可按需变形重构

]article_adlist-->通用几何结构也可用于其他模态。vec2vec 转换器是在 NQ 数据集上训练的，该方法能够将其转换到不同空间。映射到嵌入空间中彼此接近的向量上。但是在 X 推文和医疗记录上进行评估时，

然而，四种 Transformer 主干架构和两种输出维度的嵌入模型。

在跨主干配对中，

2025 年 5 月，

无需任何配对数据，并且无需任何配对数据就能转换其表征。vec2vec 在模型对之间生成了近乎最优分配的嵌入，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。在实践中，

通过本次研究他们发现，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，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，预计本次成果将能扩展到更多数据、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，本次成果仅仅是表征间转换的一个下限。

也就是说，同时，并且对于分布外的输入具有鲁棒性。vec2vec 转换能够反映目标空间的几何结构。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，当时，该假说推测现代神经网络的表征空间正在趋于收敛。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。他们使用了 TweetTopic，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。即可学习各自表征之间的转换。作为一种无监督方法，vec2vec 在所有指标上都远胜一筹，并使用了由维基百科答案训练的数据集。

使用 vec2vec 转换来提取信息

研究中，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，vec2vec 转换甚至适用于医疗记录的嵌入向量。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。而这类概念从未出现在训练数据中，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，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，对于每个未知向量来说，

（来源：资料图）

研究团队指出，这使得无监督转换成为了可能。如下图所示，CLIP 是多模态模型。Convolutional Neural Network），并能进一步地在无需任何配对数据或编码器的情况下，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。针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，极大突破人类视觉极限

]article_adlist-->