LeWAM 端到端 JEPA 世界模型：视觉规划成功率大幅跃升

事件核心：发生了什么

LeWAM 是一个基于联合嵌入预测架构（JEPA）的端到端控制模型。与以往先训练视觉表示和动作条件动态、再单独添加控制策略或求解器的做法不同，LeWAM 用一个共享视觉编码器和 Mixture-of-Transformers 预测器，同时学习两件事：从历史和干净动作预测下一潜在状态，以及通过流匹配将噪声动作块对齐到真实动作分布。训练目标联合了下一潜在状态预测和动作流匹配，并对潜在状态施加各向同性高斯约束（SIGReg）。

测试时，动作头采样候选动作，动态头预测其后果，再通过冻结动态模型做梯度下降优化，选出最优动作序列并执行前五步，然后重新规划。在十个模拟视觉规划任务上，报告的平均成功率为 93.5%，对比 LeWM 使用 CEM 的 50.9%。在接触密集型 ToolHang 任务上，成功率为 94.7%，对比 35.4%；在长时程 Two-Room 任务上，成功率从 10.9% 提升至 46.2%，规划速度提升 32.3 倍。目前公开信息显示，这些结果来自论文摘要及页面素材，尚未表明已是上线产品。

为什么重要

LeWAM 将动作生成与潜在动态建模放进同一个端到端框架，而不是把策略当成外挂模块。这意味着视觉规划可能不再依赖大量在线搜索，而是用学到的动作先验来播种和精炼计划，从而降低推理成本。对机器人、具身智能和需要长期规划的应用来说，这提供了一条兼顾成功率和效率的技术路线。同时，论文也承认，接触密集型任务上的规划收益解释仍是启发式的，严格验证留待未来工作，说明该方向仍有不确定性。

对用户/开发者/创作者的影响

对开发者和研究者，LeWAM 展示了 JEPA 与流匹配结合的可能性，可能影响后续世界模型和机器人控制系统的设计思路。对机器人应用团队，若该路线可复现，未来在接触丰富、长时程任务上可能减少对昂贵搜索的依赖，推理算力需求也可能下降。对普通用户而言，短期内更直接的影响是：如果这类模型被集成到机器人产品或自动化工具中，操作精度和任务完成率有望提升，但目前仍处于研究阶段，距离消费级产品尚有距离。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

观察 LeWAM 能否在真实机器人上复现论文中的成功率；关注其训练和推理成本是否适合实际部署；留意后续是否出现开源实现或与现有机器人学习框架的集成。此外，论文中关于流匹配带来规划增益的因果解释仍需更严谨的验证，这也是判断该技术是否具备普适性的关键。

来源：alphaXiv