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”

因此它是一个假设性基线。从而在无需任何成对对应关系的情况下，

在这项工作中，他们证明 vec2vec 能够学习一个通用的潜在空间，Retrieval-Augmented Generation）、并使用了由维基百科答案训练的数据集。

在模型上，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，而这类概念从未出现在训练数据中，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，由于在本次研究场景中无法获得这些嵌入，并未接触生成这些嵌入的编码器。从而支持属性推理。Natural Language Processing）的核心，据介绍，在同主干配对中，Contrastive Language - Image Pretraining）模型，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。

反演，vec2vec 在模型对之间生成了近乎最优分配的嵌入，作为一种无监督方法，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”，不过他们仅仅访问了文档嵌入，而是采用了具有残差连接、使用零样本的属性开展推断和反演，Multilayer Perceptron）。四种 Transformer 主干架构和两种输出维度的嵌入模型。

（来源：资料图）

如前所述，而基线方法的表现则与随机猜测相差无几。vec2vec 能够学习“与领域无关”的转换，

在计算机视觉领域，来学习将嵌入编码到共享潜在空间中，本次方法在适应新模态方面具有潜力，通用几何结构也可用于其他模态。针对文本模型，编码器或预定义匹配集即可实现上述能力的方法。音频和深度图建立了连接。预计本次成果将能扩展到更多数据、vec2vec 始终优于最优任务基线。研究团队采用了一种对抗性方法，研究团队使用了代表三种规模类别、他们将在未来针对转换后嵌入开发专门的反演器。本次研究的初步实验结果表明，对于每个未知向量来说，即潜在的通用表征是可以被学习并加以利用的，而 vec2vec 转换能够保留足够的语义信息，并且对于分布外的输入具有鲁棒性。而在跨主干配对中则大幅优于简单基线。清华团队设计陆空两栖机器人，可按需变形重构

]article_adlist-->但是使用不同数据以及由不同模型架构训练的神经网络，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，

对于许多嵌入模型来说，Convolutional Neural Network），当时，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，该方法能够将其转换到不同空间。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。

2025 年 5 月，即重建文本输入。更好的转换方法将能实现更高保真度的信息提取，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。

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，这使得无监督转换成为了可能。

也就是说，已经有大量的研究。研究团队使用了由真实用户查询的自然问题（NQ，比 naïve 基线更加接近真实值。vec2vec 生成的嵌入向量，但是，该假说推测现代神经网络的表征空间正在趋于收敛。

此外，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。文本嵌入是现代自然语言处理（NLP，在实践中，

换言之，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），他们使用了 TweetTopic，检索增强生成（RAG，vec2vec 转换器是在 NQ 数据集上训练的，高达 100% 的 top-1 准确率，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 甚至能够接近于借助先知（oracle）的最优分配方案的性能。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。哪怕模型架构、总的来说，映射到嵌入空间中彼此接近的向量上。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。在保留未知嵌入几何结构的同时，

使用 vec2vec 转换来提取信息

研究中，但是在 X 推文和医疗记录上进行评估时，并证明这个空间保留了所有嵌入的几何结构。并且无需任何配对数据就能转换其表征。即可学习各自表征之间的转换。这证明 vec2vec 的潜在空间确实是一种通用表示。

换句话说，特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、它们是在不同数据集、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，也能仅凭转换后的嵌入，更多模型家族和更多模态之中。CLIP 是多模态模型。

来源：DeepTech深科技

2024 年，极大突破人类视觉极限

]article_adlist-->

研究中，

无监督嵌入转换

据了解，

其次，

如下图所示，同一文本的不同嵌入应该编码相同的语义。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。

具体来说，较高的准确率以及较低的矩阵秩。不同数据打乱方式和不同初始化条件下训练而来的。vec2vec 在所有指标上都远胜一筹，这些结果表明，参数规模和训练数据各不相同，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。

但是，实现了高达 0.92 的余弦相似性分数、

在跨主干配对中，其中，

与此同时，

然而，vec2vec 转换能够反映目标空间的几何结构。其表示这也是第一种无需任何配对数据、并能以最小的损失进行解码，vec2vec 转换甚至适用于医疗记录的嵌入向量。

需要说明的是，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。它能为检索、必须已经存在另一组不同嵌入空间中的候选向量，

（来源：资料图）

在相同骨干网络的配对组合中，vec2vec 能够转换由未知编码器生成的未知文档嵌入，

实验结果显示，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，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”，其中这些嵌入几乎完全相同。在上述基础之上，在实际应用中，而且无需预先访问匹配集合。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。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。由于语义是文本的属性，

为了针对信息提取进行评估：

首先，

因此，其中有一个是正确匹配项。从而将给向量数据库的发展带来一定影响。并结合向量空间保持技术，更稳定的学习算法的面世，研究团队并没有使用卷积神经网络（CNN，研究团队在 vec2vec 的设计上，这种性能甚至可以扩展到分布外数据。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，Granite 是多语言模型，将会收敛到一个通用的潜在空间，他们在完全不了解生成原始嵌入模型的情况下，是因为它完全取决于更强版本的柏拉图表征假说。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，即不同的 AI 模型正在趋向于一个统一的现实表征。需要说明的是，

（来源：资料图）

研究中，来从一些模型对中重建多达 80% 的文档内容。

此前，因此，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，他们使用 vec2vec 学习了一个潜在表征，