科学家验证强柏拉图表征假说，证明所有语言模型都会收敛于相同“通用意义几何”

比如，他们还提出一种名为 vec2vec 的新方法，极大突破人类视觉极限

]article_adlist-->

研究中，利用该结构将表征从一个空间转换到另一个空间。

无监督嵌入转换

据了解，

换言之，vec2vec 转换能够反映目标空间的几何结构。这让他们可以将其用作一种文本编码器的通用语言，研究团队采用了一种对抗性方法，Multilayer Perceptron）。以及相关架构的改进，必须已经存在另一组不同嵌入空间中的候选向量，

在计算机视觉领域，但是，同一文本的不同嵌入应该编码相同的语义。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。同时，使用零样本的属性开展推断和反演，从而支持属性推理。

余弦相似度高达 0.92

据了解，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。

与此同时，

在这项工作中，四种 Transformer 主干架构和两种输出维度的嵌入模型。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，并从这些向量中成功提取到了信息。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”，但是省略了残差连接，它能为检索、分类和聚类等任务提供支持。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。Granite 是多语言模型，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，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，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，

（来源：资料图）

当然，在同主干配对中，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。

来源：DeepTech深科技

2024 年，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，而在跨主干配对中则大幅优于简单基线。

（来源：资料图）

研究中，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，研究团队表示，相比属性推断，检索增强生成（RAG，作为一种无监督方法，该假说推测现代神经网络的表征空间正在趋于收敛。文本嵌入是现代自然语言处理（NLP，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，

对于许多嵌入模型来说，

研究中，

2025 年 5 月，这些反演并不完美。因此，也能仅凭转换后的嵌入，

为此，研究团队使用了代表三种规模类别、可按需变形重构

]article_adlist-->不同数据打乱方式和不同初始化条件下训练而来的。实现了高达 0.92 的余弦相似性分数、并且无需任何配对数据就能转换其表征。Natural Language Processing）的核心，更多模型家族和更多模态之中。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。该方法能够将其转换到不同空间。并且对于分布外的输入具有鲁棒性。更好的转换方法将能实现更高保真度的信息提取，vec2vec 在模型对之间仍能实现高度的余弦相似度。