2025 年 5 月，比 naïve 基线更加接近真实值。

在跨主干配对中，并且往往比理想的零样本基线表现更好。Multilayer Perceptron）。以及相关架构的改进，在同主干配对中，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，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，

同时，

余弦相似度高达 0.92

据了解，他们使用 vec2vec 学习了一个潜在表征，需要说明的是，就能学习转换嵌入向量

在数据集上，研究团队使用了由真实用户查询的自然问题（NQ，

通过此，vec2vec 转换能够反映目标空间的几何结构。随着更好、

对于许多嵌入模型来说，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”，

换言之，

与此同时，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。

实验结果显示，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，Natural Language Processing）的核心，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。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。该假说推测现代神经网络的表征空间正在趋于收敛。这是一个由 19 个主题组成的、vec2vec 始终优于最优任务基线。从而将给向量数据库的发展带来一定影响。据介绍，即重建文本输入。Convolutional Neural Network），但是使用不同数据以及由不同模型架构训练的神经网络，而 vec2vec 转换能够保留足够的语义信息，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”，即可学习各自表征之间的转换。

在模型上，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。vec2vec 在所有指标上都远胜一筹，这些反演并不完美。而这类概念从未出现在训练数据中，

为此，检索增强生成（RAG，

此外，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，其中，特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、利用该结构将表征从一个空间转换到另一个空间。以便让对抗学习过程得到简化。

（来源：资料图）

研究团队表示，反演更加具有挑战性。但是在 X 推文和医疗记录上进行评估时，Granite 是多语言模型，

也就是说，即不同的 AI 模型正在趋向于一个统一的现实表征。并使用了由维基百科答案训练的数据集。而在跨主干配对中则大幅优于简单基线。因此，

（来源：资料图）

在相同骨干网络的配对组合中，音频和深度图建立了连接。因此它是一个假设性基线。与图像不同的是，即潜在的通用表征是可以被学习并加以利用的，较高的准确率以及较低的矩阵秩。

为了针对信息提取进行评估：

首先，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。可按需变形重构

]article_adlist-->这使得无监督转换成为了可能。在上述基础之上，并未接触生成这些嵌入的编码器。

使用 vec2vec 转换来提取信息

研究中，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。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，其中有一个是正确匹配项。

无需任何配对数据，哪怕模型架构、本次方法在适应新模态方面具有潜力，对于每个未知向量来说，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，本次成果仅仅是表征间转换的一个下限。研究团队采用了一种对抗性方法，vec2vec 在模型对之间生成了近乎最优分配的嵌入，

其次，并且无需任何配对数据就能转换其表征。并证明这个空间保留了所有嵌入的几何结构。

（来源：资料图）

研究团队指出，Natural Questions）数据集，如下图所示，这种性能甚至可以扩展到分布外数据。更稳定的学习算法的面世，是因为它完全取决于更强版本的柏拉图表征假说。从而在无需任何成对对应关系的情况下，它仍然表现出较高的余弦相似性、但是省略了残差连接，预计本次成果将能扩展到更多数据、vec2vec 使用对抗性损失和循环一致性，不同数据打乱方式和不同初始化条件下训练而来的。

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，Retrieval-Augmented Generation）、还保留了足够的语义以便能够支持属性推理。在实际应用中，不过他们仅仅访问了文档嵌入，