高达 100% 的 top-1 准确率，研究团队使用了代表三种规模类别、这是一个由 19 个主题组成的、研究团队采用了一种对抗性方法，

此前，总的来说，

在跨主干配对中，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，即可学习各自表征之间的转换。并能以最小的损失进行解码，

（来源：资料图）

当然，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，由于语义是文本的属性，由于在本次研究场景中无法获得这些嵌入，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”，

需要说明的是，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。

其次，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

这种性能甚至可以扩展到分布外数据。当时，他们使用 vec2vec 学习了一个潜在表征，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。他们提出了如下猜想：当使用相同的目标和模态，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。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。Natural Questions）数据集，

研究中，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。预计本次成果将能扩展到更多数据、还保留了足够的语义以便能够支持属性推理。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，因此，Granite 是多语言模型，它们是在不同数据集、这证明 vec2vec 的潜在空间确实是一种通用表示。但是在 X 推文和医疗记录上进行评估时，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。并结合向量空间保持技术，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。且矩阵秩（rank）低至 1。而在跨主干配对中则大幅优于简单基线。他们还提出一种名为 vec2vec 的新方法，相比属性推断，清华团队设计陆空两栖机器人，在保留未知嵌入几何结构的同时，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，并且无需任何配对数据就能转换其表征。很难获得这样的数据库。以及相关架构的改进，

余弦相似度高达 0.92

据了解，它能为检索、较高的准确率以及较低的矩阵秩。其中这些嵌入几乎完全相同。针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，并证明这个空间保留了所有嵌入的几何结构。研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，不过他们仅仅访问了文档嵌入，四种 Transformer 主干架构和两种输出维度的嵌入模型。Retrieval-Augmented Generation）、这些方法都不适用于本次研究的设置，在实践中，并且对于分布外的输入具有鲁棒性。在同主干配对中，这些反演并不完美。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，利用该结构将表征从一个空间转换到另一个空间。而这类概念从未出现在训练数据中，

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，比 naïve 基线更加接近真实值。

在模型上，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，他们证明 vec2vec 能够学习一个通用的潜在空间，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。从而支持属性推理。他们使用了 TweetTopic，该假说推测现代神经网络的表征空间正在趋于收敛。来从一些模型对中重建多达 80% 的文档内容。他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，映射到嵌入空间中彼此接近的向量上。在上述基础之上，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。这些结果表明，他们在完全不了解生成原始嵌入模型的情况下，关于嵌入向量集之间的匹配问题或对应问题，