JEPA-Anything：单一套件通用于7大领域世界模型
来自港中文、复旦、斯坦福等机构的研究者推出JEPA-Anything框架，通过正交预测分解（OPF）技术，将联合嵌入预测架构（JEPA）的单一目标表征解耦为K个正交子空间因子，实现跨视觉、生物、临床、控制、分子动力学、物理场与气象7大领域的统一建模。实验显示其在动态预测、科学发现与零样本聚类等任务上全面优于标准JEPA及多个主流世界模型。
统一框架：告别领域定制化建模
JEPA-Anything是由PhAI Labs、香港中文大学、复旦大学、斯坦福大学、牛津大学与普林斯顿大学联合研发的领域无关世界模型构建框架。它不为每个领域单独设计预测模型，而是采用同一套学习范式，适配差异极大的系统——涵盖计算机视觉、单细胞生物学、临床事件轨迹、机器人控制、分子动力学、偏微分方程描述的物理场以及中尺度天气预报共7个领域。
该框架基于联合嵌入预测架构（JEPA），并引入核心创新：正交预测分解（Orthogonal Predictive Factorization, OPF）。研究团队指出，传统JEPA（如I-JEPA或V-JEPA 2）仅输出一个整体目标嵌入，易引发“容量分配问题”：高方差结构主导训练信号，而弱模式因梯度冲突难以优化。
正交预测分解（OPF）的技术机制
OPF将宽度为d的潜在目标表征划分为K个学习得到的子空间，每个子空间宽度为r（即d = K × r），多数实验中取K = 4。每个子空间配备独立预测器；各因子预测结果经投影矩阵的Moore-Penrose伪逆重组，生成一个完整潜变量，供后续解码、规划或前向推演使用。
为保障各因子有效协同，框架引入三项正则化：
- 正交性损失：约束各投影矩阵列向量组内标准正交，且不同投影矩阵对应子空间互不重叠；
- 因子活跃度损失：对每个坐标的方差施加铰链约束，防止任一因子失效（“死亡”）；
- 编码器方差损失：向在线编码器发送直接反坍缩信号。
OPF损失被简单叠加至各领域原有训练损失之上。领域适配器负责处理分词与编码，核心模块以`OrthogonalFactorProjection`形式向开发者开放。实验证明，正交性对合成稳定性至关重要：在CITRIS干预型乒乓球任务中，未约束的多头模型条件数高达438.52，而正交版本降至1.00005，跨因子重叠趋近于零。
跨领域性能验证：三类关键指标提升
研究将效果分为三组评估：
第一组：终端读出任务（Terminal Readout）
- 单细胞数据零样本PBMC聚类（AvgBIO）达0.7752，超越Cell-JEPA（0.7194）；
- Norman扰动预测相关系数从0.787升至0.814；
- 基于UK Biobank的千余项临床事件预测，平均PRAUC为0.718，略高于标准JEPA（0.711）。
第二组：潜空间世界动力学建模
- 在Interventional Pong中，单干预MSE下降34.83%，未知组合干预改善12.90%，6步自由推演误差降低8.58%；
- 在CausalWorld、DeepMind Control、PDEBench与WeatherBench2共10项匹配动力学任务中，JEPA-Anything全部刷新SOTA；
- APEBench Burgers方程6步推演误差下降约44.7%（各随机种子均提升）；
- 在TrajCast风格骨干网络下完成100步分子轨迹推演，其在水、石英、对乙酰氨基酚与苯四种体系的MAE与RMSD均为最低；
- 规划能力呈任务依赖性：Walker2d与HalfCheetah上CEM回报率提升，Hopper则仍偏好标准JEPA。
第三组：可解释科学发现
- 因子分析识别出IL-18联合CD73阻断为潜在癌症干预策略，并经共培养、患者来源类器官、肿瘤组织切片及小鼠模型验证；
- 潜在轨道模态拟合开普勒第三定律，斜率达−1.4991，逼近理论值−1.5。