MIT 教授 Phillip Isola 实测图像与文本嵌入：一次旋转即可大致对齐

MIT 教授 Phillip Isola 用自家猫咪照片实测显示，图像与文本嵌入空间仅靠一次正交旋转即可大致对齐。演示流程为 DINOv2/DINOv3 视觉嵌入映射至纯文本训练的 JEPA 空间，再由语言模型解码，生成描述完全准确。该结果支持不同模态模型可能收敛至共享几何结构的「柏拉图表示假说」。