A Stationary (and Therefore Compatible) Representation is All You Need
平稳即兼容：基于d-Simplex固定分类器的表示学习
🧭 模型更新时兼容表示学习
证明用d-Simplex固定分类器学到的平稳表示天然兼容旧模型，并结合对比损失捕获高阶依赖，无需重索引即可支持不间断检索。
📌 工作参考价值（4 点）
- 电商/推荐系统向量索引更新痛点：模型迭代时通常需要全量重嵌物品，成本极高。本文证明固定d-Simplex分类器可使新旧嵌入分布对齐，实现无需重索引的直接兼容，大幅降低工程开销。
- 训练技巧：采用固定原型（d-Simplex等角紧框架）作为分类器权重，结合交叉熵与对比损失的凸组合，既保持类别可分离性又强制旧模型兼容性，训练过程即满足兼容约束，可嵌入现有微调流程。
- 在Agent多智体中，若各Agent维护独立向量记忆库，模型替换时使用该方案可保证记忆库嵌入不失效，避免重新编码历史数据，保障服务连续性。
- 实验表明对比损失的加入能捕获高阶分布依赖，弥补纯交叉熵仅对齐一阶矩的不足，提示在类似表示对齐任务中可考虑矩差异损失与对比损失的协同。