知识卡片：JEPA-Anything：跨不同世界学习预测模型

一句话结论

JEPA-Anything 提出基于正交预测因子分解（orthogonal predictive factorization, OPF）的领域无关框架，扩展 JEPA 以在视觉、生物、临床轨迹、控制、分子动力学、物理场和天气等七个领域学习预测模型，并在摘要中报告了动力学、干预预测、分子滚动、生物实验和轨道标度方面的积极结果。

事件概述或研究问题

世界建模使智能能够预测后果、指导干预并从交互中学习，但现有预测模型仍多为领域特定。本文提出的研究问题是：能否用一种共同学习原则支持跨截然不同系统的世界建模？为此，作者提出 JEPA-Anything。

方法/产品要点

• 基于 joint-embedding predictive architectures（JEPA）扩展。
• 核心为 orthogonal predictive factorization（OPF）：将潜目标分解为互补因子，通过专用路径学习，并在共享预测设计中重新组合。
• 定位为 domain-agnostic framework。
• 评估覆盖七个领域：vision、biology、clinical trajectories、control、molecular dynamics、physical fields、weather。
• 实验类型包括 representation learning、intervention prediction、out-of-distribution generalization、long-horizon dynamics。
• 具体实验量包括：10 个 matched dynamics tasks；超过 1,000 个临床事件预测；四个系统上的 100-step molecular rollouts。
• 代码：https://github.com/Gen-Verse/JEPA-Anything

主要结果或产业意义

• 相对 matched JEPA baselines，在全部 10 个动力学任务上改善报告指标。
• 在 Interventional Pong 上，单干预预测误差降低 34.8%。
• 在四个系统中，取得比较方法中最低的一步和 100 步分子误差。
• 一个 factor-nominated 生物干预在 cell co-cultures、patient-derived organoids、tumor fragments 和 mice 中获得实验支持。
• latent orbital modes 恢复 Keplerian scaling exponent，拟合斜率为 -1.4991。
• 摘要认为这些结果支持跨异质世界的共同因子化预测原则，并将世界建模与干预及实验支撑的科学发现联系起来。
• 产业落地、部署成本或行业收益数据在材料中未直接展开，待核实。

为什么重要

• 若结果成立，表明世界模型可能不必按领域各自为政，而可用统一的因子化预测设计迁移到视觉、生物、临床、控制、分子、物理和天气等系统。
• 该工作把预测从离线指标推进到干预预测和湿实验验证，可能对 AI for science、实验闭环、临床轨迹建模和长期动力学预测有启示。
• 与既有相关卡片的关系：本卡片与 MetaPerch（利用元数据提升生物声学基础模型）、RTS 平滑器引导的物理神经微分模型、Transformer 学习分子基态制备同属“基础模型/科学机器学习”脉络；增量在于本条聚焦领域无关的世界模型与 OPF 因子化预测，并报告跨七领域、干预预测、生物实验和轨道标度结果，而非单一生物声学、潜状态 ODE 或分子基态任务。

局限与不确定性

• 以上主要依据摘要与元数据，完整论文细节待核实。
• 摘要未提供各领域数据集、指标定义、统计显著性、基线匹配方式、公平性和计算成本，待核实。
• 生物干预的实验设计、样本量、重复性、统计方法和独立验证情况，待核实。
• 临床事件预测的事件定义、数据来源、评估协议和临床适用性，待核实。
• 轨道模式恢复 Keplerian scaling exponent 的数据来源、拟合方法和不确定性范围，待核实。
• 代码可复现性、依赖环境、许可证与维护状态，待核实。
• arXiv 分类为 cs.CL，但研究覆盖多科学领域；该分类是否完整反映贡献，待核实。

可用于图书/PPT/简报的角度

• “一个预测原则，多个世界”：从 JEPA 到 OPF 的领域无关世界模型叙事。
• 因子分解如何帮助干预预测与 OOD 泛化。
• AI for science 的闭环：预测模型 → 干预提名 → 细胞/类器官/动物实验支持。
• 长期动力学与分子滚动：100-step molecular rollouts 与四系统误差比较。
• 潜空间物理：latent orbital modes 与 Keplerian scaling exponent。
• 与既有基础模型卡片对照：生物声学、神经微分、分子基态与本条跨领域世界模型的异同。

原始材料

• 英文标题：JEPA-Anything: Learning Predictive Models across Different Worlds
• 英文关键词：world modeling; joint-embedding predictive architectures (JEPA); orthogonal predictive factorization (OPF); domain-agnostic framework; intervention prediction; out-of-distribution generalization; long-horizon dynamics; Interventional Pong; Keplerian scaling exponent
• 作者：Taoyong Cui, Zhongyao Wang, Xinyue Xu, Weiyang Liu, Zhaochen Yu, Yuying Zhang, Qiang Gao, Mengyue Yang, Wanli Ouyang, Pheng Ann Heng, Yingcheng Wu, Zhenfei Yin, Ling Yang
• arXiv ID：2609.20800v1
• 发布/更新：2026-09-17T17:55:57Z（按材料）
• 分类：Primary category: cs.CL; Categories: cs.CL
• 摘要页：https://arxiv.org/abs/2609.20800v1
• PDF：https://arxiv.org/pdf/2609.20800v1
• 代码：https://github.com/Gen-Verse/JEPA-Anything