JEPA-Anything：支持跨异构世界联合学习的联合嵌入预测架构

研究团队于 2026 年 9 月在 arXiv 发布论文《JEPA-Anything: Learning Predictive Models across Different Worlds》，提出了一个通用的隐空间世界模型学习框架。

• 该研究扩展了联合嵌入预测架构（JEPA），提出正交预测分解（Orthogonal Predictive Factorization, OPF）机制，将隐空间目标分解为互补因子并通过专用路径解耦学习。
• 框架具备强通用性与跨领域适应力，成功跨越视觉、生物学、临床轨迹、控制、分子动力学、物理场及天气等 7 个截然不同的异构物理与数据领域。
• 模型支持干预预测、长周期动态推演与跨分布泛化，将学习到的隐空间状态显式化，以便直接用于物理定律发现和临床状态分析等下游科学任务。
• 影响/看点：JEPA-Anything 表明自监督非生成式隐空间预测架构能够摆脱单一模态束缚扩展为多学科通用框架，有助于降低高维物理与科学模拟的建模开销，但其在极端非线性场景下的泛化精度仍需更多真实数据检验。
• 资料依据：
• arXiv（2026-09-17）：https://arxiv.org/abs/2609.20800
• X：AK（2026-09-18）：https://x.com/_akhaliq/status/2101021609113112658

本内容由 AI 生成，仅供参考，请注意甄别