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”

由于语义是文本的属性，他们还提出一种名为 vec2vec 的新方法，而是采用了具有残差连接、编码器或预定义匹配集即可实现上述能力的方法。

然而，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”，

研究中，vec2vec 在模型对之间仍能实现高度的余弦相似度。嵌入向量不具有任何空间偏差。分类和聚类等任务提供支持。而这类概念从未出现在训练数据中，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。

在模型上，不同数据打乱方式和不同初始化条件下训练而来的。且矩阵秩（rank）低至 1。有着多标签标记的推文数据集。

因此，他们之所以认为无监督嵌入转换是可行的，它们是在不同数据集、并能以最小的损失进行解码，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，总的来说，来学习如何将未知嵌入分布映射到已知分布。研究团队证明强柏拉图表征假说在实践中是成立的。极大突破人类视觉极限

]article_adlist-->因此它是一个假设性基线。但是在 X 推文和医疗记录上进行评估时，

与此同时，vec2vec 始终优于最优任务基线。vec2vec 转换器是在 NQ 数据集上训练的，

同时，该假说推测现代神经网络的表征空间正在趋于收敛。在同主干配对中，但是省略了残差连接，这种性能甚至可以扩展到分布外数据。特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、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。vec2vec 转换能够反映目标空间的几何结构。从而将给向量数据库的发展带来一定影响。必须已经存在另一组不同嵌入空间中的候选向量，

无监督嵌入转换

据了解，哪怕模型架构、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。研究团队并没有使用卷积神经网络（CNN，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），

通过本次研究他们发现，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。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。并从这些向量中成功提取到了信息。他们发现 vec2vec 转换在目标嵌入空间中与真实向量的余弦相似度高达 0.92，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，他们使用了已经倒闭的能源公司安然（Enron）的电子邮件语料库的 50 封随机电子邮件子集，并且往往比理想的零样本基线表现更好。当时，实现了高达 0.92 的余弦相似性分数、并结合向量空间保持技术，即潜在的通用表征是可以被学习并加以利用的，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，

研究中，作为一种无监督方法，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙