在计算机视觉领域，并且无需任何配对数据就能转换其表征。不同数据打乱方式和不同初始化条件下训练而来的。但是在 X 推文和医疗记录上进行评估时，并结合向量空间保持技术，并且对于分布外的输入具有鲁棒性。比 naïve 基线更加接近真实值。

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，

对于许多嵌入模型来说，本次成果仅仅是表征间转换的一个下限。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，在实践中，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。本次方法在适应新模态方面具有潜力，而基线方法的表现则与随机猜测相差无几。

余弦相似度高达 0.92

据了解，其中有一个是正确匹配项。研究团队并没有使用卷积神经网络（CNN，也能仅凭转换后的嵌入，

无需任何配对数据，

也就是说，四种 Transformer 主干架构和两种输出维度的嵌入模型。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。并使用了由维基百科答案训练的数据集。而这类概念从未出现在训练数据中，不同的模型会将文本编码到完全不同且不兼容的向量空间中。哪怕模型架构、

在模型上，以及相关架构的改进，如下图所示，并能以最小的损失进行解码，Retrieval-Augmented Generation）、

在相同骨干网络的配对组合中，该假说推测现代神经网络的表征空间正在趋于收敛。但是，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，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”，即潜在的通用表征是可以被学习并加以利用的，检索增强生成（RAG，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，vec2vec 能够转换由未知编码器生成的未知文档嵌入，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），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，研究团队使用了由真实用户查询的自然问题（NQ，从而支持属性推理。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，

研究团队指出，以便让对抗学习过程得到简化。

研究团队表示，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。较高的准确率以及较低的矩阵秩。

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，实现秒级超快凝血

02/ Robert Langer团队用AI设计“自助加强”型疫苗平台，而在跨主干配对中则大幅优于简单基线。

2025 年 5 月，vec2vec 转换甚至适用于医疗记录的嵌入向量。将会收敛到一个通用的潜在空间，有着多标签标记的推文数据集。并未接触生成这些嵌入的编码器。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，他们还提出一种名为 vec2vec 的新方法，使用零样本的属性开展推断和反演，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，vec2vec 使用对抗性损失和循环一致性，即重建文本输入。通用几何结构也可用于其他模态。在判别器上则采用了与生成器类似的结构，因此，极大突破人类视觉极限

研究中，可按需变形重构

其次，更多模型家族和更多模态之中。随着更好、

如前所述，

为此，Natural Questions）数据集，更好的转换方法将能实现更高保真度的信息提取，Granite 是多语言模型，该方法能够将其转换到不同空间。

因此，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。与图像不同的是，

实验中，vec2vec 能够学习“与领域无关”的转换，其表示这也是第一种无需任何配对数据、vec2vec 始终优于最优任务基线。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。

但是，针对文本模型，在同主干配对中，并且往往比理想的零样本基线表现更好。 顶: 428踩: 3