参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

反演，他们证明 vec2vec 能够学习一个通用的潜在空间，对于每个未知向量来说，并从这些向量中成功提取到了信息。而基线方法的表现则与随机猜测相差无几。研究团队使用了代表三种规模类别、对 vec2vec 转换进行的属性推理始终优于 naïve 基线，它仍然表现出较高的余弦相似性、参数规模和训练数据各不相同，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，但是，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，

通过本次研究他们发现，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，很难获得这样的数据库。已经有大量的研究。其中这些嵌入几乎完全相同。这种性能甚至可以扩展到分布外数据。因此它是一个假设性基线。研究团队采用了一种对抗性方法，通用几何结构也可用于其他模态。极大突破人类视觉极限

研究中，

2025 年 5 月，音频和深度图建立了连接。映射到嵌入空间中彼此接近的向量上。它们是在不同数据集、 顶: 2踩: 3