UWM-JEPA：在信念空间中进行想象预测的世界模型

arXiv 2026 55.1 method

TLDR

UWM-JEPA使用密度矩阵潜变量和酉预测器，在部分可观测环境中保持不确定性，优于向量潜变量基线。

评分理由

The paper introduces a novel architecture that maintains joint-state spectrum during rollout, with strong empirical results on a hidden-velocity task. However, the evaluation is limited to a single synthetic task, and the abstract does not discuss real-world applications or broader benchmarks.

Read-first 评分解释

综合优先阅读分 55.1，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

引用影响力 18%

85.9

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。归一化引用分位：0.85868373

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

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：基线

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：代码

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

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：345。

关键词评分

world model

world dynamics prediction

interactive world model

world simulator

generative world model

model-based reinforcement learning world model

video world model

深度分析

创新点

在联合系统-环境空间上引入密度矩阵潜变量
学习到的酉预测器在展开过程中精确保持联合状态谱
针对JEPA世界模型的反事实目标训练以实现动作敏感性

方法

UWM-JEPA使用密度矩阵潜变量表示和酉预测器，在部分可观测环境中维持对隐藏延续的信念。在隐藏速度指示任务上评估，该任务需要在给定动作序列下进行五步前向模拟，目标观测被遮蔽。基线包括参数匹配的LSTM-JEPA，在相同的反事实目标目标和动作头下训练。

关键结果

UWM-JEPA在任务上达到0.77准确率，随动作扰动单调下降，而LSTM-JEPA降至多数类准确率（0.53）。在盲展开下，UWM-JEPA在短视界内探针R²损失少于10个点，而向量潜变量基线损失41和68个点；两者在保留上下文探针上持平，表明差异在于预测器。

技术栈

密度矩阵潜变量酉预测器JEPALSTM反事实目标训练

资源

论文