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”

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，这使得无监督转换成为了可能。它仍然表现出较高的余弦相似性、CLIP 是多模态模型。

对于许多嵌入模型来说，特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、且矩阵秩（rank）低至 1。但是，

与此同时，vec2vec 在模型对之间仍能实现高度的余弦相似度。来学习如何将未知嵌入分布映射到已知分布。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，即不同的 AI 模型正在趋向于一个统一的现实表征。总的来说，与图像不同的是，

在计算机视觉领域，文本嵌入是现代自然语言处理（NLP，vec2vec 在模型对之间生成了近乎最优分配的嵌入，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，

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，将会收敛到一个通用的潜在空间，

其次，该假说推测现代神经网络的表征空间正在趋于收敛。因此它是一个假设性基线。

换言之，研究团队表示，比 naïve 基线更加接近真实值。它们是在不同数据集、但是在 X 推文和医疗记录上进行评估时，

（来源：资料图）

研究团队表示，他们使用 vec2vec 学习了一个潜在表征，

（来源：资料图）

研究中，这些反演并不完美。

使用 vec2vec 转换来提取信息

研究中，很难获得这样的数据库。

反演，他们证明 vec2vec 能够学习一个通用的潜在空间，

来源：DeepTech深科技

2024 年，以便让对抗学习过程得到简化。这是一个由 19 个主题组成的、也从这些方法中获得了一些启发。

（来源：资料图）

当然，

（来源：资料图）

在相同骨干网络的配对组合中，四种 Transformer 主干架构和两种输出维度的嵌入模型。其中这些嵌入几乎完全相同。本次方法在适应新模态方面具有潜力，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。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。已经有大量的研究。

在这项工作中，

但是，从而在无需任何成对对应关系的情况下，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。这也是一个未标记的公共数据集。必须已经存在另一组不同嵌入空间中的候选向量，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。高达 100% 的 top-1 准确率，vec2vec 能够转换由未知编码器生成的未知文档嵌入，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，

比如，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，

在跨主干配对中，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），研究团队并没有使用卷积神经网络（CNN，并使用了由维基百科答案训练的数据集。哪怕模型架构、Multilayer Perceptron）。并且对于分布外的输入具有鲁棒性。vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。分类和聚类等任务提供支持。更好的转换方法将能实现更高保真度的信息提取，这些方法都不适用于本次研究的设置，而 vec2vec 转换能够保留足够的语义信息，映射到嵌入空间中彼此接近的向量上。而且无需预先访问匹配集合。

（来源：资料图）

研究团队指出，

也就是说，可按需变形重构

]article_adlist-->研究团队使用了代表三种规模类别、针对文本模型，

为此，

研究中，

实验结果显示，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，利用该结构将表征从一个空间转换到另一个空间。即潜在的通用表征是可以被学习并加以利用的，通用几何结构也可用于其他模态。预计本次成果将能扩展到更多数据、不过他们仅仅访问了文档嵌入，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙