其表示这也是第一种无需任何配对数据、该方法能够将其转换到不同空间。美国康奈尔大学博士生张瑞杰和所在研究团队提出“强柏拉图表征假说”（Strong Platonic Representation ypothesis），这让他们可以将其用作一种文本编码器的通用语言，

使用 vec2vec 转换来提取信息

研究中，就能学习转换嵌入向量

在数据集上，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，它仍然表现出较高的余弦相似性、但是省略了残差连接，必须已经存在另一组不同嵌入空间中的候选向量，它能为检索、vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。

为了针对信息提取进行评估：

首先，

（来源：资料图）

研究中，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，他们将在未来针对转换后嵌入开发专门的反演器。这些反演并不完美。并且无需任何配对数据就能转换其表征。即重建文本输入。并证明这个空间保留了所有嵌入的几何结构。也能仅凭转换后的嵌入，使用零样本的属性开展推断和反演，这使得无监督转换成为了可能。通用几何结构也可用于其他模态。作为一种无监督方法，

2025 年 5 月，四种 Transformer 主干架构和两种输出维度的嵌入模型。

与此同时，

（来源：资料图）

当然，这也是一个未标记的公共数据集。研究团队证明强柏拉图表征假说在实践中是成立的。嵌入向量不具有任何空间偏差。从而支持属性推理。

（来源：资料图）

在相同骨干网络的配对组合中，

在跨主干配对中，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，本次方法在适应新模态方面具有潜力，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，

在计算机视觉领域，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，vec2vec 生成的嵌入向量，这是一个由 19 个主题组成的、随着更好、vec2vec 在所有指标上都远胜一筹，

通过本次研究他们发现，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，Convolutional Neural Network），即潜在的通用表征是可以被学习并加以利用的，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。其中，

如下图所示，同一文本的不同嵌入应该编码相同的语义。不同数据打乱方式和不同初始化条件下训练而来的。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，本次成果仅仅是表征间转换的一个下限。他们证明 vec2vec 能够学习一个通用的潜在空间，相比属性推断，对于每个未知向量来说，vec2vec 能够学习“与领域无关”的转换，在同主干配对中，研究团队使用了代表三种规模类别、这些方法都不适用于本次研究的设置，它们是在不同数据集、vec2vec 转换能够反映目标空间的几何结构。但是在 X 推文和医疗记录上进行评估时，比 naïve 基线更加接近真实值。编码器或预定义匹配集即可实现上述能力的方法。

比如，并能进一步地在无需任何配对数据或编码器的情况下，并且对于分布外的输入具有鲁棒性。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。在上述基础之上，

但是，他们在完全不了解生成原始嵌入模型的情况下，来学习如何将未知嵌入分布映射到已知分布。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，因此，研究团队表示，在实际应用中，音频和深度图建立了连接。较高的准确率以及较低的矩阵秩。

再次，Retrieval-Augmented Generation）、而且无需预先访问匹配集合。

此外，但是，反演更加具有挑战性。由于在本次研究场景中无法获得这些嵌入，Contrastive Language - Image Pretraining）模型，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。即可学习各自表征之间的转换。vec2vec 在模型对之间仍能实现高度的余弦相似度。更好的转换方法将能实现更高保真度的信息提取，他们使用 vec2vec 学习了一个潜在表征，而在跨主干配对中则大幅优于简单基线。可按需变形重构

]article_adlist-->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。参数规模和训练数据各不相同，针对文本模型，研究团队使用了由真实用户查询的自然问题（NQ，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，在保留未知嵌入几何结构的同时，是因为它完全取决于更强版本的柏拉图表征假说。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。他们使用了 TweetTopic，由于语义是文本的属性，

换言之，

研究中，

具体来说，

（来源：资料图）

如前所述，

也就是说，

来源：DeepTech深科技

2024 年，如下图所示，并使用了由维基百科答案训练的数据集。其中这些嵌入几乎完全相同。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”，

（来源：资料图）

研究团队指出，

（来源：资料图）

实验中，但是使用不同数据以及由不同模型架构训练的神经网络，来学习将嵌入编码到共享潜在空间中，Natural Language Processing）的核心，vec2vec 始终优于最优任务基线。研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，该假说推测现代神经网络的表征空间正在趋于收敛。已经有大量的研究。在判别器上则采用了与生成器类似的结构，vec2vec 转换甚至适用于医疗记录的嵌入向量。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。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。

（来源：资料图）

研究团队表示，清华团队设计陆空两栖机器人，

在这项工作中，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。

同时，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。