27/08/2026
Mỗi mô hình embedding hiện nay từ GTR, GTE cho đến E5 hay Stella đều tạo ra các không gian vector hoàn toàn riêng biệt và không tương thích với nhau. Tuy nhiên, nghiên cứu từ Đại học Cornell chỉ ra rằng ẩn sau sự khác biệt về kiến trúc và dữ liệu huấn luyện, biểu diễn của các mô hình thực chất lại hội tụ về một không gian ẩn chung.
Dựa trên giả thuyết Platonic Representation mở rộng, phương pháp vec2vec ra đời nhằm dịch chuyển embedding giữa hai không gian bất kỳ mà không cần dữ liệu bắt cặp, không cần truy cập mô hình gốc hay biết trước danh sách ghép nối.
Cấu trúc của vec2vec bao gồm các bộ thích ứng (adapter) riêng cho từng không gian cùng một mạng xương sống (backbone) chung. Hệ thống chuyển vector từ không gian nguồn sang biểu diễn ẩn chung, sau đó giải mã sang không gian đích. Quá trình huấn luyện kết hợp giữa học đối kháng cùng các ràng buộc về tính nhất quán chu kỳ, tái thiết và bảo toàn không gian vector.
Thử nghiệm cho thấy các vector dịch chuyển đạt độ tương đồng cosine lên đến 0,96 so với vector gốc trong không gian đích, đồng thời khôi phục chính xác thứ tự của hơn 8.000 embedding bị xáo trộn.
Kết quả này đồng thời đặt ra thách thức lớn về an ninh dữ liệu. Nếu chiếm được một cơ sở dữ liệu vector ẩn danh, kẻ tấn công có thể dịch các vector đó về không gian của một mô hình công khai mà họ kiểm soát. Bằng các kỹ thuật như suy luận thuộc tính zero-shot hay đảo ngược vector (embedding inversion), thông tin nhạy cảm từ tài liệu ban đầu như email nội bộ hay hồ sơ bệnh án có thể bị trích xuất mà không cần biết mô hình tạo ra chúng là gì.
Nguồn:https://arxiv.org/pdf/2505.12540
