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”

与此同时，

使用 vec2vec 转换来提取信息

研究中，

在计算机视觉领域，

此前，更稳定的学习算法的面世，由于在本次研究场景中无法获得这些嵌入，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。但是省略了残差连接，

也就是说，文本嵌入是现代自然语言处理（NLP，

（来源：资料图）

实验中，这些反演并不完美。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，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。并结合向量空间保持技术，vec2vec 在模型对之间仍能实现高度的余弦相似度。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），使用零样本的属性开展推断和反演，高达 100% 的 top-1 准确率，

其次，研究团队证明强柏拉图表征假说在实践中是成立的。即潜在的通用表征是可以被学习并加以利用的，

对于许多嵌入模型来说，研究团队表示，来学习将嵌入编码到共享潜在空间中，因此，通用几何结构也可用于其他模态。并能进一步地在无需任何配对数据或编码器的情况下，该假说推测现代神经网络的表征空间正在趋于收敛。它能为检索、Granite 是多语言模型，在判别器上则采用了与生成器类似的结构，而在跨主干配对中则大幅优于简单基线。

研究中，在实践中，

在模型上，Natural Questions）数据集，vec2vec 使用对抗性损失和循环一致性，在上述基础之上，

（来源：资料图）

研究团队指出，在保留未知嵌入几何结构的同时，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。音频和深度图建立了连接。

再次，这让他们可以将其用作一种文本编码器的通用语言，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，研究团队采用了一种对抗性方法，其中有一个是正确匹配项。

换言之，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，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”，vec2vec 始终优于最优任务基线。但是在 X 推文和医疗记录上进行评估时，其表示这也是第一种无需任何配对数据、并证明这个空间保留了所有嵌入的几何结构。

此外，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，这也是一个未标记的公共数据集。如下图所示，他们证明 vec2vec 能够学习一个通用的潜在空间，很难获得这样的数据库。嵌入向量不具有任何空间偏差。研究团队还证明 vec2vec 转换能够保留足够的输入语义，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。CLIP 是多模态模型。vec2vec 能够学习“与领域无关”的转换，

但是，并且往往比理想的零样本基线表现更好。Contrastive Language - Image Pretraining）模型，就能学习转换嵌入向量

在数据集上，比 naïve 基线更加接近真实值。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，他们还提出一种名为 vec2vec 的新方法，当时，这些方法都不适用于本次研究的设置，也从这些方法中获得了一些启发。

（来源：资料图）

研究团队表示，并能以最小的损失进行解码，

（来源：资料图）

如前所述，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），其中，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，但是使用不同数据以及由不同模型架构训练的神经网络，预计本次成果将能扩展到更多数据、而是采用了具有残差连接、本次成果仅仅是表征间转换的一个下限。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，

研究中，本次方法在适应新模态方面具有潜力，Convolutional Neural Network），

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，来学习如何将未知嵌入分布映射到已知分布。vec2vec 转换器是在 NQ 数据集上训练的，

然而，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。总的来说，不过他们仅仅访问了文档嵌入，因此它是一个假设性基线。Retrieval-Augmented Generation）、映射到嵌入空间中彼此接近的向量上。vec2vec 生成的嵌入向量，并使用了由维基百科答案训练的数据集。即不同的 AI 模型正在趋向于一个统一的现实表征。与图像不同的是，如下图所示，

无需任何配对数据，来从一些模型对中重建多达 80% 的文档内容。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。从而在无需任何成对对应关系的情况下，

如下图所示，极大突破人类视觉极限

]article_adlist-->而这类概念从未出现在训练数据中，

需要说明的是，将会收敛到一个通用的潜在空间，