FactorJEPA：将整体未来分解为布局-智能体-交互通道，用于拥挤混乱的全球南方城市世界

arXiv 2026 45.6 method, benchmark

TLDR

FactorJEPA提出因子化世界模型用于拥挤城市场景，并引入新数据集提升预测鲁棒性。

评分理由

The paper addresses a novel domain (dense Global South urban environments) and proposes a factorization approach to improve world model predictions. Strengths include a new large-scale dataset and clear improvements in multiple metrics. Weaknesses include limited scope to JEPA architectures and potential lack of comparison to other world model families.

Read-first 评分解释

综合优先阅读分 45.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 44。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：数据集、评估、指标

主题相关性 29%

62.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：检查点、代码、数据集

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：489。

关键词评分

world model

video world model

world dynamics prediction

interactive world model

generative world model

model-based reinforcement learning world model

world simulator

深度分析

创新点

FactorJEPA：一种JEPA变体，将整体未来潜在表示分解为独立的布局、实体和交互通道，使用可见性门控和分离子空间来处理部分可观测性并避免跨因子捷径。
DENSEWORLD-115k数据集：涵盖22个全球南方城市的1000小时行车、步行和航拍视频，捕捉拥挤、混乱、混合交通场景，具有软性空间边界、极端异质性和持续遮挡。

方法

FactorJEPA扩展了联合嵌入预测架构，通过将未来编码为因子化的布局、智能体和交互子空间，并使用可见性门控来保留部分观测的智能体。模型在新的DENSEWORLD-115k真实世界城市视频数据集上进行训练和评估，指标包括Future-frame L1、Causal L1、Mask-ratio斜率和Motion余弦，并在2B和1B V-JEPA骨干上进行了测试。

关键结果

FactorJEPA在未来潜在准确性（Future-frame L1）、干预敏感预测（Causal L1）和对减少视觉证据的鲁棒性（Mask-ratio斜率）方面均有提升，同时揭示了可复现的运动信息权衡（Motion余弦）。方法排名在骨干规模间复现，Spearman相关系数为0.895–0.978。

资源

论文