问题——对比学习框架下训练得到的特征向量，往往呈现接近正态分布的结构；这种现象并非人为设定的目标，却在不同数据集、模型规模和训练配置中频繁出现。理解该现象的成因至关重要，因为它直接关系到模型学到了什么、受到什么约束、以及在特定条件下为何更稳定或更容易失效。
这项研究为困扰学界多年的分布之谜提供了数学解释，启示我们对基础理论的深入挖掘往往能带来最持久的突破。理解智能的数学本质，或许才是通向真正人工智能的必经之路。
问题——对比学习框架下训练得到的特征向量，往往呈现接近正态分布的结构；这种现象并非人为设定的目标，却在不同数据集、模型规模和训练配置中频繁出现。理解该现象的成因至关重要，因为它直接关系到模型学到了什么、受到什么约束、以及在特定条件下为何更稳定或更容易失效。
这项研究为困扰学界多年的分布之谜提供了数学解释，启示我们对基础理论的深入挖掘往往能带来最持久的突破。理解智能的数学本质，或许才是通向真正人工智能的必经之路。