Representasi Platonik dan Embedding Universal

Model bahasa belajar merepresentasikan relasi dunia nyata melalui kompresi data.

Kompresi dianggap setara dengan kecerdasan dalam model AI.

Platonic Representation Hypothesis menyatakan model konvergen pada representasi bersama.

Embedding inversion sulit karena kompresi tinggi, namun iterasi meningkatkan akurasi hingga 94%.

Vec2Vec menggunakan pendekatan CycleGAN untuk memetakan embedding lintas model tanpa data berkorespondensi.

Fitur dan sirkuit universal ditemukan di berbagai model menunjukkan struktur bersama.

Potensi aplikasi mencakup dekripsi teks kuno (Linear A) dan komunikasi dengan paus.