2026年10月，PhAI Labs、港中文、复旦、斯坦福、牛津、普林斯顿六家机构联合推出的JEPA-Anything，用一套共享核心框架搞定了7个完全不同的领域，10项动态任务测试结果全比匹配的标准JEPA好。
领域模型的老问题：各玩各的
之前做世界模型，每个领域都得单独磨一套。搞细胞的模型、搞临床轨迹的、搞分子动力学的，从编码到预测全是各玩各的，代码不通用，参数调法也天差地别。标准JEPA虽然号称跨领域，但有个明显的“容量分配问题”：它把目标输出成一个整体嵌入，高方差结构占主导，弱模式的梯度直接乱了套。
OPF：把一个目标拆成正交因子
这次的核心是正交预测因子化（OPF）。简单说就是把原来宽度为d的隐层目标，拆成K个独立的子空间，d等于K乘r，多数实验用K=4。每个因子配专属的预测器，最后用摩尔-彭罗斯伪逆把结果合并成完整隐态。还有三个正则化项托底：正交损失让投影矩阵的列保持正交，活动损失不让因子“死”掉，编码器方差损失防止模型坍缩。光看实验数据：CITRIS介入乒乓球任务里，标准多头部模型的条件数是438.52，正交版只有1.00005，交叉因子重叠几乎为零。
硬测试数据：跨领域全赢
测试结果的数字够硬。单细胞数据里，零-shot PBMC聚类的AvgBIO到了0.7752，Cell-JEPA只有0.7194；诺曼扰动的皮尔逊相关系数从0.787升到0.814。英国生物库1000个临床事件的预测，平均PRAUC是0.718，匹配的标准JEPA是0.711。介入乒乓球的单干预MSE降了34.83%，未见过的组合干预效果升了12.9%，6步自由回退升了8.58%——10项动态任务全比基准好。还有意外的科学发现：因子分析提名IL-18加CD73作为癌症干预，湿实验在共培养、类器官、肿瘤碎片和小鼠里都得到支持；隐层轨道模式还拟合了开普勒定律，斜率是-1.4991，接近理论值-1.5。规划结果有点分化：Walker2d和HalfCheetah的CEM回报提升，但Hopper任务里，标准JEPA效果更好。
留个疑问
JEPA-Anything的核心代码是Apache-2.0许可，研究用的模型checkpoints在Hugging Face公开可拿。对行业来说，跨领域世界模型的门槛好像降了——不用每个领域从零搭一套，复用核心框架，调调领域适配就行。不过有个问题没搞明白：为什么在Hopper这类运动控制任务上，它的规划效果不如标准JEPA？是拆分因子的逻辑不匹配这类任务的运动特性，还是超参数还有优化空间？
素材来源：MarkTechPost · AI情报、AI应用落地、AI政策与监管、开源生态
查看报道原文
发表第一条评论吧