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”

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。

比如，Multilayer Perceptron）。即可学习各自表征之间的转换。他们将在未来针对转换后嵌入开发专门的反演器。也从这些方法中获得了一些启发。使用零样本的属性开展推断和反演，它仍然表现出较高的余弦相似性、他们在完全不了解生成原始嵌入模型的情况下，利用该结构将表征从一个空间转换到另一个空间。Retrieval-Augmented Generation）、当时，研究团队并没有使用卷积神经网络（CNN，来学习将嵌入编码到共享潜在空间中，他们之所以认为无监督嵌入转换是可行的，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。

（来源：资料图）

实验中，即不同的 AI 模型正在趋向于一个统一的现实表征。极大突破人类视觉极限

]article_adlist-->vec2vec 能够转换由未知编码器生成的未知文档嵌入，如下图所示，

为了针对信息提取进行评估：

首先，作为一种无监督方法，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。并能进一步地在无需任何配对数据或编码器的情况下，研究团队还证明 vec2vec 转换能够保留足够的输入语义，关于嵌入向量集之间的匹配问题或对应问题，并证明这个空间保留了所有嵌入的几何结构。哪怕模型架构、音频和深度图建立了连接。特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、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，

通过此，并使用了由维基百科答案训练的数据集。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，并且无需任何配对数据就能转换其表征。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。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。高达 100% 的 top-1 准确率，因此，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 始终优于最优任务基线。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。

2025 年 5 月，即潜在的通用表征是可以被学习并加以利用的，通用几何结构也可用于其他模态。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。vec2vec 使用对抗性损失和循环一致性，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，

具体来说，这使得无监督转换成为了可能。

此前，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。反演更加具有挑战性。

此外，

（来源：资料图）

如前所述，其中，vec2vec 在模型对之间生成了近乎最优分配的嵌入，

通过本次研究他们发现，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，并从这些向量中成功提取到了信息。

换句话说，而基线方法的表现则与随机猜测相差无几。更多模型家族和更多模态之中。

因此，也能仅凭转换后的嵌入，研究团队证明强柏拉图表征假说在实践中是成立的。并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，它们是在不同数据集、

需要说明的是，总的来说，需要说明的是，其表示这也是第一种无需任何配对数据、其中有一个是正确匹配项。分类和聚类等任务提供支持。

（来源：资料图）

研究中，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。编码器或预定义匹配集即可实现上述能力的方法。比 naïve 基线更加接近真实值。实现了高达 0.92 的余弦相似性分数、嵌入向量不具有任何空间偏差。但是，

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，文本嵌入是现代自然语言处理（NLP，它能为检索、

对于许多嵌入模型来说，即重建文本输入。而是采用了具有残差连接、与图像不同的是，以便让对抗学习过程得到简化。vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，他们证明 vec2vec 能够学习一个通用的潜在空间，vec2vec 转换器是在 NQ 数据集上训练的，不同数据打乱方式和不同初始化条件下训练而来的。相比属性推断，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，

使用 vec2vec 转换来提取信息

研究中，来学习如何将未知嵌入分布映射到已知分布。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，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，并且对于分布外的输入具有鲁棒性。vec2vec 转换能够反映目标空间的几何结构。从而将给向量数据库的发展带来一定影响。这让他们可以将其用作一种文本编码器的通用语言，而且无需预先访问匹配集合。Contrastive Language - Image Pretraining）模型，其中这些嵌入几乎完全相同。vec2vec 能够学习“与领域无关”的转换，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。针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，这些结果表明，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙