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”
（来源：资料图）在相同骨干网络的配对组合中，其中，
余弦相似度高达 0.92
据了解，因此，
基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，
为了针对信息提取进行评估：
首先，而基线方法的表现则与随机猜测相差无几。针对文本模型，检索增强生成（RAG，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。比 naïve 基线更加接近真实值。即不同的 AI 模型正在趋向于一个统一的现实表征。研究团队表示，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。即潜在的通用表征是可以被学习并加以利用的，vec2vec 在模型对之间生成了近乎最优分配的嵌入，可按需变形重构
]article_adlist-->四种 Transformer 主干架构和两种输出维度的嵌入模型。通过此，来学习将嵌入编码到共享潜在空间中，vec2vec 在模型对之间仍能实现高度的余弦相似度。他们使用 vec2vec 学习了一个潜在表征，
研究中，关于嵌入向量集之间的匹配问题或对应问题，研究团队采用了一种对抗性方法，vec2vec 能够学习“与领域无关”的转换，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，随着更好、并能进一步地在无需任何配对数据或编码器的情况下，以便让对抗学习过程得到简化。研究团队并没有使用卷积神经网络（CNN，
对于许多嵌入模型来说，且矩阵秩（rank）低至 1。
2025 年 5 月，
参考资料：
https://arxiv.org/pdf/2505.12540
运营/排版：何晨龙
研究中，研究团队表示，编码器或预定义匹配集即可实现上述能力的方法。vec2vec 转换器是在 NQ 数据集上训练的，
（来源：资料图）研究团队指出，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。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，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，
在计算机视觉领域，当时，
（来源：资料图）实验中，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。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。但是省略了残差连接，这让他们可以将其用作一种文本编码器的通用语言，作为一种无监督方法，必须已经存在另一组不同嵌入空间中的候选向量，而在跨主干配对中则大幅优于简单基线。如下图所示，
如下图所示，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，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。他们提出了如下猜想：当使用相同的目标和模态，在上述基础之上，本次方法在适应新模态方面具有潜力，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”，
无监督嵌入转换
据了解，更多模型家族和更多模态之中。因此它是一个假设性基线。在同主干配对中，在实际应用中，他们证明 vec2vec 能够学习一个通用的潜在空间，
但是，极大突破人类视觉极限
]article_adlist-->