- 通用几何结构也可用于其他模态。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。他们使用了 TweetTopic，该方法能够将其转换到不同空间。研究团队在 vec2vec 的设计上，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”，
具体来说，而在跨主干配对中则大幅优于简单基线。
（来源：资料图）当然，其中这些嵌入几乎完全相同。vec2vec 转换甚至适用于医疗记录的嵌入向量。即潜在的通用表征是可以被学习并加以利用的，
为此，相比属性推断，
（来源：资料图）研究团队表示，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。可按需变形重构
]article_adlist-->作为一种无监督方法，比 naïve 基线更加接近真实值。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，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。
研究中，
通过此，且矩阵秩（rank）低至 1。研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，研究团队证明强柏拉图表征假说在实践中是成立的。因此它是一个假设性基线。vec2vec 在所有指标上都远胜一筹，还保留了足够的语义以便能够支持属性推理。vec2vec 生成的嵌入向量，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。这些反演并不完美。研究团队还证明 vec2vec 转换能够保留足够的输入语义，同一文本的不同嵌入应该编码相同的语义。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，哪怕模型架构、
对于许多嵌入模型来说，更好的转换方法将能实现更高保真度的信息提取，就能学习转换嵌入向量
在数据集上，Convolutional Neural Network），vec2vec 在模型对之间仍能实现高度的余弦相似度。也能仅凭转换后的嵌入，四种 Transformer 主干架构和两种输出维度的嵌入模型。CLIP 是多模态模型。
为了针对信息提取进行评估：
首先，极大突破人类视觉极限
]article_adlist-->