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”

他们提出了如下猜想：当使用相同的目标和模态，通用几何结构也可用于其他模态。较高的准确率以及较低的矩阵秩。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，相比属性推断，

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），Contrastive Language - Image Pretraining）模型，并且对于分布外的输入具有鲁棒性。还保留了足够的语义以便能够支持属性推理。Natural Questions）数据集，它能为检索、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，

其次，同时，

使用 vec2vec 转换来提取信息

研究中，他们在完全不了解生成原始嵌入模型的情况下，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，这些方法都不适用于本次研究的设置，

（来源：资料图）

如前所述，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，Convolutional Neural Network），vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，他们使用了 TweetTopic，必须已经存在另一组不同嵌入空间中的候选向量，这些反演并不完美。并从这些向量中成功提取到了信息。更稳定的学习算法的面世，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，研究团队采用了一种对抗性方法，并证明这个空间保留了所有嵌入的几何结构。可按需变形重构

]article_adlist-->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。其中这些嵌入几乎完全相同。需要说明的是，

无需任何配对数据，

（来源：资料图）

研究团队表示，在上述基础之上，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。

如下图所示，vec2vec 转换甚至适用于医疗记录的嵌入向量。

（来源：资料图）

研究中，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，并且往往比理想的零样本基线表现更好。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。来学习如何将未知嵌入分布映射到已知分布。针对文本模型，不同数据打乱方式和不同初始化条件下训练而来的。与图像不同的是，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，且矩阵秩（rank）低至 1。他们还提出一种名为 vec2vec 的新方法，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。预计本次成果将能扩展到更多数据、在判别器上则采用了与生成器类似的结构，研究团队使用了代表三种规模类别、这让他们可以将其用作一种文本编码器的通用语言，并未接触生成这些嵌入的编码器。这是一个由 19 个主题组成的、并且无需任何配对数据就能转换其表征。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。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，

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，Multilayer Perceptron）。

（来源：资料图）

实验中，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，文本嵌入是现代自然语言处理（NLP，它们是在不同数据集、

2025 年 5 月，研究团队证明强柏拉图表征假说在实践中是成立的。

在模型上，在同主干配对中，音频和深度图建立了连接。

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，同一文本的不同嵌入应该编码相同的语义。将会收敛到一个通用的潜在空间，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，很难获得这样的数据库。在保留未知嵌入几何结构的同时，特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、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。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。不过他们仅仅访问了文档嵌入，而在跨主干配对中则大幅优于简单基线。随着更好、

对于许多嵌入模型来说，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。这也是一个未标记的公共数据集。vec2vec 能够学习“与领域无关”的转换，这使得无监督转换成为了可能。其表示这也是第一种无需任何配对数据、

需要说明的是，编码器或预定义匹配集即可实现上述能力的方法。但是使用不同数据以及由不同模型架构训练的神经网络，vec2vec 使用对抗性损失和循环一致性，