JEPA與大模型路線圓桌四作者同場解讀

兩條路線的核心分歧

世界模型研究正處於兩條路線的交匯處：一條以語言為樞紐，借助大語言模型的語義先驗與推理能力，統一感知、預測與規劃；另一條以JEPA為代表，主張在潛在空間中直接預測，繞開像素重建與語言中介。

兩條路線指向同一個根本問題：面向長時程、多尺度的真實任務，預測與規劃應在何種抽象層級上進行，又以何種媒介承載目標與子目標。

三項工作各有側重

JEPA-Anything探索跨不同「世界」學習通用預測模型，追問JEPA能否像基礎模型一樣具備泛化能力，屬對該路線上限的檢驗。

VL-JEPA把視覺語言多模態學習與JEPA結合，讓語言成為感知與推理的橋樑；H-JEPA提出端到端的層級化動作條件JEPA，各層在各自潛在空間預測更遠的未來，規劃自頂向下展開。

圓桌形式與內容

活動以圓桌討論形式進行，由上述工作的四位作者逐一分享各自方法的設計考量與實驗發現，並就兩條路線之間的差異、互補之處展開對談。

對關注世界模型發展的研究者而言，這場討論集中於表徵媒介與抽象層級的取捨問題，屬於方法路線層面的梳理與交流，有助釐清現階段的分歧所在。