Block-Sparse Featuriser

AI模型缩放改善线性可恢复性，而非原生几何

一项新的研究论文探讨了柏拉图表示假说（PRH），该假说认为更大的AI模型会学习到相似的世界表示。该研究使用来自Legacy Survey和Hyper Suprime-Cam的嵌入，发现对齐技术提高了这些表示在不同数据集上的线性可恢复性。然而，这种改进并未转化为嵌入的原生余弦几何的收敛，这表明虽然模型可以被对齐以线性共享信息，但随着模型规模的扩大，它们不一定会收敛到共享的底层度量几何。