研究提出 Anchor Divergences：不改嵌入即可让向量相似度随语境变化
victorveitch · x · 2026-10-20
Victor Veitch 与合作者发布新研究「Anchor Divergences」。核心问题：编码语义相似度到向量相似度是 AI 系统的基础构件，但研究通常假定单一固定的相似度度量（如余弦相似度），而语义相似度本质上是语境相关的。
- 方法：通过在文本锚点（text anchors）上的分布，改变图像之间「如何被比较」而无需修改其嵌入本身。
- 理论贡献：用信息几何（information geometry）视角澄清了「固定相似度 vs 语境语义」的矛盾，并由此得到一个简单有效的技术，使向量检索获得语境化语义。
所属事件:Anchor Divergences 新研究：固定向量实现语境相关语义相似度(2 条相关)→
「研究」频道最新
- 斯坦福团队发布协作智能基准:OpenAI 模型是最佳队友 — james_y_zou · 2026-10-20
- 研究者构建1-72月龄婴儿脑电全资源,征集功能优先级 — Dr_Alex_Crimi · 2026-10-20
- LidarVerse:单一模型实时搞定 LiDAR 重建、预测与生成,H100 上跑 11 FPS — ZGojcic · 2026-10-20
- Patronus AI 发布 GlobeBench:1632 项任务考 LLM 世界模型能力 — PatronusAI · 2026-10-20
- Adobe OmniXRef:文本图像视频引用统一控制的多参考视频编辑框架 — adobe-research · 2026-10-20
- 斯坦福 Librarian Agents:RL 训练 LLM 预整理工作区,检索准确率提升 33 个百分点 — StanfordUniversity · 2026-10-20