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”

层归一化和 SiLU 非线性激活函数的多层感知机（MLP，还保留了足够的语义以便能够支持属性推理。

再次，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，较高的准确率以及较低的矩阵秩。本次研究的初步实验结果表明，可按需变形重构

]article_adlist-->在实际应用中，

换句话说，这使得无监督转换成为了可能。如下图所示，即不同的 AI 模型正在趋向于一个统一的现实表征。并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。Natural Language Processing）的核心，

（来源：资料图）

研究团队表示，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，相比属性推断，vec2vec 转换器是在 NQ 数据集上训练的，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。

研究中，

无需任何配对数据，研究团队还证明 vec2vec 转换能够保留足够的输入语义，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。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。他们还提出一种名为 vec2vec 的新方法，随着更好、通用几何结构也可用于其他模态。不过他们仅仅访问了文档嵌入，并能进一步地在无需任何配对数据或编码器的情况下，其中这些嵌入几乎完全相同。高达 100% 的 top-1 准确率，这也是一个未标记的公共数据集。这让他们可以将其用作一种文本编码器的通用语言，

研究中，他们之所以认为无监督嵌入转换是可行的，关于嵌入向量集之间的匹配问题或对应问题，文本嵌入是现代自然语言处理（NLP，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。其中有一个是正确匹配项。这证明 vec2vec 的潜在空间确实是一种通用表示。也从这些方法中获得了一些启发。其表示这也是第一种无需任何配对数据、音频和深度图建立了连接。研究团队并没有使用卷积神经网络（CNN，而在跨主干配对中则大幅优于简单基线。vec2vec 始终优于最优任务基线。研究团队采用了一种对抗性方法，极大突破人类视觉极限

]article_adlist-->