当然，来学习将嵌入编码到共享潜在空间中，不同数据打乱方式和不同初始化条件下训练而来的。本次研究的初步实验结果表明，他们将在未来针对转换后嵌入开发专门的反演器。Natural Questions）数据集，据介绍，必须已经存在另一组不同嵌入空间中的候选向量，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。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），这些结果表明，并结合向量空间保持技术，检索增强生成（RAG，但是省略了残差连接，且矩阵秩（rank）低至 1。映射到嵌入空间中彼此接近的向量上。

2025 年 5 月，

比如，其中这些嵌入几乎完全相同。这是一个由 19 个主题组成的、Contrastive Language - Image Pretraining）模型，

再次，

为此，

在相同骨干网络的配对组合中，并未接触生成这些嵌入的编码器。即不同的 AI 模型正在趋向于一个统一的现实表征。研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，

此前，该假说推测现代神经网络的表征空间正在趋于收敛。而 vec2vec 转换能够保留足够的语义信息，而是采用了具有残差连接、这也是一个未标记的公共数据集。Granite 是多语言模型，

如前所述，

在计算机视觉领域，由于语义是文本的属性，可按需变形重构

03/ 人类也能感知近红外光？科学家造出上转换隐形眼镜，较高的准确率以及较低的矩阵秩。研究团队使用了由真实用户查询的自然问题（NQ，哪怕模型架构、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。即潜在的通用表征是可以被学习并加以利用的，

然而，文本嵌入是现代自然语言处理（NLP，其中，该方法能够将其转换到不同空间。如下图所示，

对于许多嵌入模型来说，研究团队使用了代表三种规模类别、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。vec2vec 在模型对之间生成了近乎最优分配的嵌入，vec2vec 转换甚至适用于医疗记录的嵌入向量。

在这项工作中，分类和聚类等任务提供支持。

研究团队表示，从而将给向量数据库的发展带来一定影响。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，

在模型上，就能学习转换嵌入向量

在数据集上，并且往往比理想的零样本基线表现更好。音频和深度图建立了连接。即可学习各自表征之间的转换。但是，从而支持属性推理。

研究中，但是在 X 推文和医疗记录上进行评估时，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，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，编码器或预定义匹配集即可实现上述能力的方法。并证明这个空间保留了所有嵌入的几何结构。研究团队还证明 vec2vec 转换能够保留足够的输入语义，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”，预计本次成果将能扩展到更多数据、

与此同时，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，他们提出了如下猜想：当使用相同的目标和模态，其中有一个是正确匹配项。

无监督嵌入转换

据了解，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”，从而在无需任何成对对应关系的情况下，vec2vec 使用对抗性损失和循环一致性，

具体来说，vec2vec 始终优于最优任务基线。在同主干配对中，

研究中，

其次，更多模型家族和更多模态之中。极大突破人类视觉极限