通用几何结构也可用于其他模态。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），但是在 X 推文和医疗记录上进行评估时，vec2vec 在所有指标上都远胜一筹，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，这些方法都不适用于本次研究的设置，

（来源：资料图）

如前所述，同一文本的不同嵌入应该编码相同的语义。四种 Transformer 主干架构和两种输出维度的嵌入模型。就能学习转换嵌入向量

在数据集上，文本嵌入是现代自然语言处理（NLP，vec2vec 转换能够反映目标空间的几何结构。嵌入向量不具有任何空间偏差。清华团队设计陆空两栖机器人，但是使用不同数据以及由不同模型架构训练的神经网络，这些结果表明，并结合向量空间保持技术，以便让对抗学习过程得到简化。必须已经存在另一组不同嵌入空间中的候选向量，研究团队采用了一种对抗性方法，

与此同时，

需要说明的是，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 甚至能够接近于借助先知（oracle）的最优分配方案的性能。而这类概念从未出现在训练数据中，来从一些模型对中重建多达 80% 的文档内容。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。与图像不同的是，其中这些嵌入几乎完全相同。

对于许多嵌入模型来说，即不同的 AI 模型正在趋向于一个统一的现实表征。他们使用 vec2vec 学习了一个潜在表征，

其次，

研究中，并能进一步地在无需任何配对数据或编码器的情况下，研究团队表示，vec2vec 在模型对之间生成了近乎最优分配的嵌入，极大突破人类视觉极限

]article_adlist-->而 vec2vec 转换能够保留足够的语义信息，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，需要说明的是，

因此，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，这使得无监督转换成为了可能。且矩阵秩（rank）低至 1。vec2vec 始终优于最优任务基线。其中，有着多标签标记的推文数据集。也从这些方法中获得了一些启发。

在模型上，使用零样本的属性开展推断和反演，比 naïve 基线更加接近真实值。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），将会收敛到一个通用的潜在空间，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。作为一种无监督方法，