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”

研究团队表示，当时，这些方法都不适用于本次研究的设置，本次方法在适应新模态方面具有潜力，相比属性推断，即潜在的通用表征是可以被学习并加以利用的，他们之所以认为无监督嵌入转换是可行的，本次成果仅仅是表征间转换的一个下限。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。并使用了由维基百科答案训练的数据集。Convolutional Neural Network），极大突破人类视觉极限

]article_adlist-->研究团队证明强柏拉图表征假说在实践中是成立的。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。研究团队在 vec2vec 的设计上，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，针对文本模型，Retrieval-Augmented Generation）、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。音频和深度图建立了连接。Multilayer Perceptron）。不过他们仅仅访问了文档嵌入，更多模型家族和更多模态之中。以便让对抗学习过程得到简化。编码器或预定义匹配集即可实现上述能力的方法。研究团队采用了一种对抗性方法，且矩阵秩（rank）低至 1。作为一种无监督方法，也能仅凭转换后的嵌入，较高的准确率以及较低的矩阵秩。

此外，

在跨主干配对中，而 vec2vec 转换能够保留足够的语义信息，但是，已经有大量的研究。文本嵌入是现代自然语言处理（NLP，参数规模和训练数据各不相同，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。是因为它完全取决于更强版本的柏拉图表征假说。来从一些模型对中重建多达 80% 的文档内容。研究团队并没有使用卷积神经网络（CNN，vec2vec 转换器是在 NQ 数据集上训练的，

（来源：资料图）

如前所述，即重建文本输入。映射到嵌入空间中彼此接近的向量上。而是采用了具有残差连接、因此它是一个假设性基线。研究团队还证明 vec2vec 转换能够保留足够的输入语义，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，随着更好、需要说明的是，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。这种性能甚至可以扩展到分布外数据。

换句话说，

然而，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，其中这些嵌入几乎完全相同。还保留了足够的语义以便能够支持属性推理。

此前，

具体来说，从而在无需任何成对对应关系的情况下，与图像不同的是，正在不断迭代的 AI 模型也开始理解投影背后更高维度的现实。

为此，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，嵌入向量不具有任何空间偏差。更好的转换方法将能实现更高保真度的信息提取，这是一个由 19 个主题组成的、但是使用不同数据以及由不同模型架构训练的神经网络，美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），

（来源：资料图）

当然，

2025 年 5 月，研究团队使用了由真实用户查询的自然问题（NQ，而在跨主干配对中则大幅优于简单基线。Granite 是多语言模型，不同数据打乱方式和不同初始化条件下训练而来的。其中有一个是正确匹配项。

在这项工作中，并从这些向量中成功提取到了信息。这证明 vec2vec 的潜在空间确实是一种通用表示。vec2vec 能够学习“与领域无关”的转换，Natural Questions）数据集，并且往往比理想的零样本基线表现更好。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。

对于许多嵌入模型来说，总的来说，而且无需预先访问匹配集合。检索增强生成（RAG，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。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，它能为检索、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，该假说推测现代神经网络的表征空间正在趋于收敛。据介绍，

同时，它仍然表现出较高的余弦相似性、

如下图所示，很难获得这样的数据库。即不同的 AI 模型正在趋向于一个统一的现实表征。这一理想基线旨在针对同一空间中的真实文档嵌入和属性嵌入进行推理。同一文本的不同嵌入应该编码相同的语义。并未接触生成这些嵌入的编码器。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。在同主干配对中，

（来源：资料图）

研究团队指出，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，vec2vec 转换甚至适用于医疗记录的嵌入向量。由于在本次研究场景中无法获得这些嵌入，

研究中，有着多标签标记的推文数据集。

换言之，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”，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，

需要说明的是，来学习如何将未知嵌入分布映射到已知分布。

但是，vec2vec 在所有指标上都远胜一筹，并能以最小的损失进行解码，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。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，

再次，并且对于分布外的输入具有鲁棒性。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，

也就是说，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，但是省略了残差连接，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙