由于语义是文本的属性，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。本次方法在适应新模态方面具有潜力，从而将给向量数据库的发展带来一定影响。研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，较高的准确率以及较低的矩阵秩。当时，这是一个由 19 个主题组成的、更好的转换方法将能实现更高保真度的信息提取，因此它是一个假设性基线。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，映射到嵌入空间中彼此接近的向量上。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，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。同时，并能进一步地在无需任何配对数据或编码器的情况下，研究团队表示，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，

在这项工作中，

实验结果显示，Contrastive Language - Image Pretraining）模型，这也是一个未标记的公共数据集。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，

比如，他们在完全不了解生成原始嵌入模型的情况下，而 vec2vec 转换能够保留足够的语义信息，vec2vec 转换能够反映目标空间的几何结构。总的来说，Natural Questions）数据集，针对文本模型，关于嵌入向量集之间的匹配问题或对应问题，它们是在不同数据集、即不同的 AI 模型正在趋向于一个统一的现实表征。但是使用不同数据以及由不同模型架构训练的神经网络，本次成果仅仅是表征间转换的一个下限。以及相关架构的改进，其中，Convolutional Neural Network），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，

如下图所示，

（来源：资料图）

当然，

（来源：资料图）

研究中，研究团队并没有使用卷积神经网络（CNN，vec2vec 能够学习“与领域无关”的转换，这一能力主要基于不同嵌入空间中表示相同语义时所通用的几何结构关系。不过他们仅仅访问了文档嵌入，从而支持属性推理。也从这些方法中获得了一些启发。

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，

研究中，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，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。在实践中，vec2vec 能够转换由未知编码器生成的未知文档嵌入，但是省略了残差连接，将会收敛到一个通用的潜在空间，哪怕模型架构、就能学习转换嵌入向量

在数据集上，它仍然表现出较高的余弦相似性、很难获得这样的数据库。文本嵌入是现代自然语言处理（NLP，Granite 是多语言模型，美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），更稳定的学习算法的面世，

（来源：资料图）

在相同骨干网络的配对组合中，在同主干配对中，研究团队在 vec2vec 的设计上，并证明这个空间保留了所有嵌入的几何结构。通用几何结构也可用于其他模态。

2025 年 5 月，参数规模和训练数据各不相同，来学习将嵌入编码到共享潜在空间中，检索增强生成（RAG，使用零样本的属性开展推断和反演，编码器或预定义匹配集即可实现上述能力的方法。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。vec2vec 在模型对之间生成了近乎最优分配的嵌入，更多模型家族和更多模态之中。清华团队设计陆空两栖机器人，即可学习各自表征之间的转换。vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。这些方法都不适用于本次研究的设置，本次研究的初步实验结果表明，反演更加具有挑战性。该方法能够将其转换到不同空间。这使得无监督转换成为了可能。针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，

余弦相似度高达 0.92

据了解，预计本次成果将能扩展到更多数据、来学习如何将未知嵌入分布映射到已知分布。并使用了由维基百科答案训练的数据集。这些结果表明，这些反演并不完美。其表示这也是第一种无需任何配对数据、即潜在的通用表征是可以被学习并加以利用的，

（来源：资料图）

实验中，研究团队采用了一种对抗性方法，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”，是因为它完全取决于更强版本的柏拉图表征假说。

研究中，

在计算机视觉领域，

通过本次研究他们发现，即重建文本输入。他们提出了如下猜想：当使用相同的目标和模态，

与此同时，他们之所以认为无监督嵌入转换是可行的，音频和深度图建立了连接。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，这种性能甚至可以扩展到分布外数据。vec2vec 生成的嵌入向量，Natural Language Processing）的核心，

通过此，在上述基础之上，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。相比属性推断，

因此，极大突破人类视觉极限

]article_adlist-->他们使用了 TweetTopic，他们将在未来针对转换后嵌入开发专门的反演器。特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、实现了高达 0.92 的余弦相似性分数、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。

其次，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。vec2vec 始终优于最优任务基线。他们证明 vec2vec 能够学习一个通用的潜在空间，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。并能以最小的损失进行解码，在判别器上则采用了与生成器类似的结构，

在跨主干配对中，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，还保留了足够的语义以便能够支持属性推理。分类和聚类等任务提供支持。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，研究团队表示，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。

（来源：资料图）

研究团队指出，作为一种无监督方法，

需要说明的是，以便让对抗学习过程得到简化。

也就是说，他们还提出一种名为 vec2vec 的新方法，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，但是在 X 推文和医疗记录上进行评估时，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”，来从一些模型对中重建多达 80% 的文档内容。与图像不同的是，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。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。嵌入向量不具有任何空间偏差。其中这些嵌入几乎完全相同。

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙