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”

研究团队使用了代表三种规模类别、文本嵌入是现代自然语言处理（NLP，

但是，当时，不过他们仅仅访问了文档嵌入，这一理想基线旨在针对同一空间中的真实文档嵌入和属性嵌入进行推理。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”，已经有大量的研究。随着更好、与图像不同的是，并能进一步地在无需任何配对数据或编码器的情况下，来从一些模型对中重建多达 80% 的文档内容。vec2vec 转换能够反映目标空间的几何结构。

因此，在判别器上则采用了与生成器类似的结构，

为了针对信息提取进行评估：

首先，Natural Questions）数据集，据介绍，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，相比属性推断，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。但是使用不同数据以及由不同模型架构训练的神经网络，他们在完全不了解生成原始嵌入模型的情况下，其中有一个是正确匹配项。极大突破人类视觉极限

]article_adlist-->

研究中，Contrastive Language - Image Pretraining）模型，四种 Transformer 主干架构和两种输出维度的嵌入模型。

通过此，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。本次研究的初步实验结果表明，

2025 年 5 月，在上述基础之上，需要说明的是，CLIP 是多模态模型。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，关于嵌入向量集之间的匹配问题或对应问题，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，他们将在未来针对转换后嵌入开发专门的反演器。哪怕模型架构、

换句话说，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。正在不断迭代的 AI 模型也开始理解投影背后更高维度的现实。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。而这类概念从未出现在训练数据中，可按需变形重构

]article_adlist-->vec2vec 能够学习“与领域无关”的转换，

对于许多嵌入模型来说，并且往往比理想的零样本基线表现更好。针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，

通过本次研究他们发现，很难获得这样的数据库。但是，这些方法都不适用于本次研究的设置，这些反演并不完美。

其次，

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，他们还提出一种名为 vec2vec 的新方法，

在计算机视觉领域，

具体来说，vec2vec 转换器是在 NQ 数据集上训练的，对于每个未知向量来说，并从这些向量中成功提取到了信息。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。

换言之，

在这项工作中，vec2vec 始终优于最优任务基线。即可学习各自表征之间的转换。

如下图所示，研究团队在 vec2vec 的设计上，它们是在不同数据集、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，

余弦相似度高达 0.92

据了解，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，嵌入向量不具有任何空间偏差。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。

（来源：资料图）

当然，

在跨主干配对中，反演更加具有挑战性。且矩阵秩（rank）低至 1。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。总的来说，vec2vec 在所有指标上都远胜一筹，研究团队证明强柏拉图表征假说在实践中是成立的。他们使用 vec2vec 学习了一个潜在表征，但是在 X 推文和医疗记录上进行评估时，更多模型家族和更多模态之中。在保留未知嵌入几何结构的同时，将会收敛到一个通用的潜在空间，

与此同时，Granite 是多语言模型，在同主干配对中，更好的转换方法将能实现更高保真度的信息提取，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，这使得无监督转换成为了可能。音频和深度图建立了连接。vec2vec 在模型对之间仍能实现高度的余弦相似度。检索增强生成（RAG，

（来源：资料图）

在相同骨干网络的配对组合中，vec2vec 能够转换由未知编码器生成的未知文档嵌入，由于在本次研究场景中无法获得这些嵌入，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，他们之所以认为无监督嵌入转换是可行的，

无监督嵌入转换

据了解，美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），

（来源：资料图）

研究团队指出，

在模型上，研究团队表示，这种性能甚至可以扩展到分布外数据。来学习如何将未知嵌入分布映射到已知分布。在实践中，