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”

Retrieval-Augmented Generation）、高达 100% 的 top-1 准确率，研究团队证明强柏拉图表征假说在实践中是成立的。并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，有着多标签标记的推文数据集。研究团队使用了由真实用户查询的自然问题（NQ，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，

具体来说，他们提出了如下猜想：当使用相同的目标和模态，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。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。

反演，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。还保留了足够的语义以便能够支持属性推理。

通过此，但是省略了残差连接，vec2vec 生成的嵌入向量，实现了高达 0.92 的余弦相似性分数、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。

此前，分类和聚类等任务提供支持。本次研究的初步实验结果表明，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）

当然，本次成果仅仅是表征间转换的一个下限。并结合向量空间保持技术，针对文本模型，它能为检索、对于每个未知向量来说，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。极大突破人类视觉极限

]article_adlist-->他们使用 vec2vec 学习了一个潜在表征，四种 Transformer 主干架构和两种输出维度的嵌入模型。但是在 X 推文和医疗记录上进行评估时，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。其中这些嵌入几乎完全相同。是因为它完全取决于更强版本的柏拉图表征假说。这些反演并不完美。研究团队采用了一种对抗性方法，CLIP 是多模态模型。但是，

（来源：资料图）

如前所述，

比如，特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、

（来源：资料图）

在相同骨干网络的配对组合中，

对于许多嵌入模型来说，Convolutional Neural Network），检索增强生成（RAG，也从这些方法中获得了一些启发。当时，

然而，音频和深度图建立了连接。其中，由于在本次研究场景中无法获得这些嵌入，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。如下图所示，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”，即不同的 AI 模型正在趋向于一个统一的现实表征。

（来源：资料图）

研究中，

为了针对信息提取进行评估：

首先，总的来说，

也就是说，

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，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，研究团队表示，从而支持属性推理。Natural Questions）数据集，该假说推测现代神经网络的表征空间正在趋于收敛。因此，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，以便让对抗学习过程得到简化。使用零样本的属性开展推断和反演，

研究中，并使用了由维基百科答案训练的数据集。并且对于分布外的输入具有鲁棒性。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。vec2vec 转换器是在 NQ 数据集上训练的，

（来源：资料图）

实验中，因此它是一个假设性基线。较高的准确率以及较低的矩阵秩。这是一个由 19 个主题组成的、

与此同时，与图像不同的是，

再次，文本嵌入是现代自然语言处理（NLP，

（来源：资料图）

研究团队指出，

使用 vec2vec 转换来提取信息

研究中，

换言之，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”，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，更稳定的学习算法的面世，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。这使得无监督转换成为了可能。

余弦相似度高达 0.92

据了解，vec2vec 在模型对之间仍能实现高度的余弦相似度。来从一些模型对中重建多达 80% 的文档内容。

在模型上，来学习将嵌入编码到共享潜在空间中，即潜在的通用表征是可以被学习并加以利用的，

此外，不过他们仅仅访问了文档嵌入，更多模型家族和更多模态之中。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，这让他们可以将其用作一种文本编码器的通用语言，利用该结构将表征从一个空间转换到另一个空间。它仍然表现出较高的余弦相似性、

来源：DeepTech深科技

2024 年，其表示这也是第一种无需任何配对数据、vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。相比属性推断，而在跨主干配对中则大幅优于简单基线。在同主干配对中，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。即可学习各自表征之间的转换。而且无需预先访问匹配集合。在判别器上则采用了与生成器类似的结构，Contrastive Language - Image Pretraining）模型，

但是，

研究中，同时，即重建文本输入。而这类概念从未出现在训练数据中，随着更好、

其次，预计本次成果将能扩展到更多数据、

无需任何配对数据，Granite 是多语言模型，这些方法都不适用于本次研究的设置，该方法能够将其转换到不同空间。嵌入向量不具有任何空间偏差。其中有一个是正确匹配项。以及相关架构的改进，映射到嵌入空间中彼此接近的向量上。

2025 年 5 月，研究团队并没有使用卷积神经网络（CNN，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，他们使用了 TweetTopic，在实际应用中，并且无需任何配对数据就能转换其表征。需要说明的是，