大模型圈这两年把「世界模型」喊得很响,但绝大多数预测模型其实各自为战:视觉一套架构、分子动力学一套架构、临床轨迹又是一套。9 月 17 日挂在 arXiv 上的 JEPA-Anything(编号 2609.20800)试图回答一个更根本的问题——细胞、分子、物理场、天气这些截然不同的系统,能不能共享同一套预测学习原理?

核心思路:把潜状态拆成正交的预测因子

论文的答案叫「正交预测分解」(Orthogonal Predictive Factorization,OPF)。它建立在联合嵌入预测架构(JEPA)之上,但把原本整块的潜空间目标拆解成一组互补的预测因子:每个因子走自己的专属预测通路去学,再在共享的预测设计里重组回完整状态,供下游读取、干预预测、规划和多步 rollout 使用。

README 里的一句话概括得很清楚:不同领域保留各自的观测形式、上下文—目标构造和编码器,共享的是预测内核与潜状态接口——共性在原理层,不强求共用一套权重。这个设计直接决定了它「领域无关」的定位:换域只需要换观测适配器,预测核心不动。

七个领域的实测账本

评测覆盖视觉、生物、临床轨迹、控制、分子动力学、物理场、天气七个领域,实验类型包括表征学习、干预预测、分布外泛化和长时程动力学,具体包括 10 个匹配动力学任务、超过 1000 个临床事件的预测、以及四个系统各 100 步的分子 rollout。几个关键数字:

  • 对照匹配的 JEPA 基线,10 个动力学任务上的报告指标全部提升;
  • Interventional Pong 上,单次干预预测误差降低 34.8%;
  • 四个分子系统的单步与 100 步误差,在参比方法中均为最低;
  • 潜在轨道模态拟合出的开普勒缩放指数为 -1.4991。

最有意思的是后两条。开普勒指数说明学到的潜在因子不只是拟合数字,还能对上物理定律;而由因子提名的一个生物干预,在细胞共培养、患者来源类器官、肿瘤碎片和小鼠实验中都获得了实验支持——这是「预测模型反哺实验科学」的完整闭环,也是这篇论文和普通刷榜文最大的差别。

冷水:仓库里没有训练权重

需要泼的冷水写在 GitHub 仓库的「Repository scope」一节:当前开源的是可复用的预测内核、任务设计工具和一个合成结构示例,不包含论文里那些领域数据集和训练好的模型权重,checkpoint manifest 记录的是一个未训练示例,明确声明不含性能主张。换句话说,想复现 34.8% 这类数字,数据集和训练流程都得自己搭。截至发稿,仓库 62 星、6 次提交、Apache-2.0 许可,Hugging Face 论文页 40 个 upvote——社区关注度刚起步。

所以呢

对做 AI for Science 的人,这篇的价值不在「又一个世界模型」,而在给「跨域共享预测原理」提供了一份可检验的工程蓝本:OPF 的因子化接口是模块化的,新域接入的成本被压到观测适配器一层。对更广泛的读者,它提示了一个方向——当下各家都在卷单域的生成质量,而「一套原理打通多个世界」的通用性主张,最终要靠湿实验和物理定律来仲裁,不是靠榜单。

论文:https://arxiv.org/abs/2609.20800
代码:https://github.com/Gen-Verse/JEPA-Anything