论文专题讲解：H-JEPA：层级 JEPA 与潜变量 EBM

论文信息

论文题名： Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence。

作者： Anna Dawid、Yann LeCun。

机构： 未在公开元数据中稳定解析；以 arXiv/PDF 或官方页 affiliation block 为准。

时间 / 主题： 2023-06；世界模型。

arXiv / 官方报告： arXiv：2306.02572。

GitHub / 项目： GitHub：未找到官方链接。

元数据来源与核验口径： 来源：arXiv；Checked Date：2026-06-15；Repro Status：Paper / official materials reviewed, independent reproduction not claimed。

原论文故事线

研究背景

H-JEPA 这篇文章是 LeCun 世界模型路线的理论/教学型展开。它的背景是：如果智能系统要像人和动物一样从观察中学习世界、在行动前想象结果、并在多个时间尺度上规划，单纯的监督学习、强化学习或像素级生成模型都不够。高维连续世界有大量不可预测细节，显式概率建模和像素重建会把容量浪费在与决策无关的信息上。

论文因此引入 energy-based model、latent variable 和 joint embedding predictive architecture。它不是在刷 benchmark，而是在解释一种世界模型训练原则：在表征空间预测未来或缺失部分，用能量衡量兼容性，用 latent variables 表达不确定性，用层级结构支持长时规划。

问题（Challenge）

论文要解决的问题是：如何训练一个既能处理不确定性、又不被像素细节拖累、还能服务层级规划的世界模型？ 挑战有三点。第一，高维输入下未来往往多模态，模型不能只输出平均结果。第二，如果 latent variable 容量不受限，它会把目标信息偷带过去，造成能量坍缩。第三，短期低层预测和长期高层规划需要不同抽象粒度，单层表示很难同时满足。

这个问题有价值，因为世界模型最终要服务行动，而行动需要预测“对目标有用的未来状态”，不是重建所有不可控细节。H-JEPA 试图给出一个从 self-supervised representation learning 到 planning 的中间理论桥梁。

Finding

作者的 finding 是：世界模型应当在 joint embedding space 中预测可规划的抽象状态，并用 energy + latent variables 表达兼容性和多种可能未来，而不是直接生成高维观测。 这个洞见把“预测未来”从像素空间转移到表示空间，也把 uncertainty 从单一分布预测转移到 latent variable inference。

这个 finding 能解决挑战：表示空间可以丢掉无关细节，减少生成负担；energy function 可以给多个合理未来低能量，而不是强迫模型选一个平均未来；latent variable 可以表示姿态、光照、遮挡、他人意图等 $x$ 中不可见但影响 $y$ 的因素；层级 JEPA 则让低层处理短期局部变化，高层处理长期抽象计划。

方法

论文先介绍 EBM：模型学习能量函数 $F(x,y)$ ，兼容的输入输出对能量低，不兼容的能量高；推理时寻找低能量 $y$ 。再加入 latent variable $z$ ，用 $E(x,y,z)$ 表达同一 $x,y$ 关系中的隐藏解释因素，并通过对 $z$ 最小化或边缘化得到有效能量。训练时关键不是只降低真实样本能量，而是塑造能量景观，避免所有输出都低能量。

JEPA 部分把输入 $x$ 和目标 $y$ 编码成 embeddings，predictor 根据 $x$ 的表示和 latent variable 预测 $y$ 的表示，用表示距离作为能量。H-JEPA 进一步把这种预测结构做成层级：不同层级的 representations 对应不同抽象粒度和时间尺度，低层捕捉局部感知，高层支持更长 horizon 的 planning。论文把它放进 perception-world model-actor-cost-critic 的自主智能架构中。

结论

这篇文章没有给出一个训练完成的 H-JEPA benchmark，而是给出概念推导和设计约束。它的结论是：为 autonomous machine intelligence 构造世界模型时，EBM、latent variables、JEPA 和 hierarchy 可以共同处理三个问题：高维连续预测中的不确定性、生成式模型的信息冗余、以及长时规划需要的抽象层级。

需要额外说明的是，H-JEPA 作为论文中的方向并不等于已有可部署 agent。它还缺少具体可复现训练 recipe、动作/reward/done 闭环实验和大规模规划评估。它对世界模型专题的价值是定义了另一种“预测表征而非像素”的范式，并提醒我们世界模型的状态空间应当围绕可预测、可规划、可压缩的信息组织。

关键术语

Energy-Based Model, EBM（能量模型）：用能量函数表示输入输出是否兼容，低能量表示合理，高能量表示不合理。
Latent Variable（潜变量）：表示输入中未直接观察到、但影响输出预测的隐藏因素，如姿态、光照、意图或多种未来选择。
Joint-Embedding Predictive Architecture, JEPA（联合嵌入预测架构）：在表示空间预测目标 embedding，而不是直接重建原始观测。
Hierarchical JEPA, H-JEPA（层级 JEPA）：在多个抽象层级和时间尺度上做 JEPA 式预测的世界模型设想。
Energy Collapse（能量坍缩）：模型把所有输出都赋予低能量，导致能量函数失去区分能力的问题。
Perception-Planning-Action Cycle（感知-规划-行动循环）：感知估计当前状态，世界模型预测未来，actor 搜索动作，cost/critic 评估未来的闭环结构。

这篇文章不是一篇“训练出某个 H-JEPA 模型并刷榜”的论文。它更像一篇把 LeCun 世界模型路线讲清楚的教学型论文：先解释为什么高维连续世界不适合只靠显式概率建模，再引入 energy-based model、latent variable、JEPA 和最终的 H-JEPA。

放在世界模型专题里，它的价值是补上一个关键问题：如果世界模型不直接生成未来像素，而是在表征空间里预测未来状态，训练时到底要约束什么，为什么会坍缩，以及为什么需要层级结构。

论文位置

论文沿用 LeCun 提出的自主智能架构。这个架构不是把模型看成一个端到端 policy，而是拆成 perception、world model、actor、cost/critic、short-term memory 和 configurator 等模块。

Figure source: Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence, Figure 1. 原论文图注要点：该图展示 LeCun 提出的 modular autonomous AI 结构，其中 world model 负责预测 actor 设想动作导致的未来世界状态，short-term memory 维护当前与预测状态，cost/critic 评估这些状态。

自主智能架构图先找 world model 的位置。
输入输出：输入是 context/target 表征和层级 latent，输出是 joint embedding prediction 与能量式目标。
效率机制：在 embedding 空间预测，减少像素重建冗余并鼓励抽象状态学习。
对主线意义：它补强“世界模型可以预测表征而非像素”的理论路线。
不能证明什么：JEPA 表征本身不证明有 action/reward/done 或可规划 rollout。

这张图里最重要的是 world model 的位置。它不是直接回答“下一步动作是什么”的 policy，而是回答：

$\text{current world state} + \text{imagined action sequence} \rightarrow \text{possible future world states}$

然后 actor 可以通过 cost/critic 评估这些未来，选择更低 cost 的动作序列。这和 Dreamer 系列的 latent imagination 有相通处，但这篇文章的重点不是 RL 算法，而是解释世界模型的表示和训练目标应该如何设计。

为什么引入 EBM

传统生成式模型常把预测写成概率分布：

$p(y \mid x)$

但高维连续数据里，未来往往是多模态的。例如给定一段视频历史，未来可以有很多合理发展；给定同一个路口状态，其他车辆可能减速、直行或转向。如果强行预测一个像素级结果，模型会被迫解释大量不可预测细节。

EBM 的思路是不直接要求模型给出规范化概率，而是学习一个能量函数：

$F_w(x,y)$

兼容的 $(x,y)$ 应该有低能量，不兼容的 $(x,y)$ 应该有高能量。推理时寻找低能量的 $y$ ：

$\hat{y}=\arg\min_y F_w(x,y)$

Figure source: Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence, Figure 3. 原论文图注要点：作者用 EBM 替代显式概率预测，把问题转成寻找满足输入约束的低能量输出；图中还展示了一个学习到 $x$ 与 $y$ 依赖关系的能量景观。

能量图应该怎么读。
EBM 图里的纵轴不是概率，而是“不兼容程度”。给定输入 $x$ ，合理的目标 $y$ 应该落在低能量区域，不合理的 $y$ 应该高能量。推理时可以通过搜索、优化或采样去找低能量的 $y$ ，不需要模型直接输出一个规范化概率分布。

这对世界模型有两个好处：第一，它允许同一个当前状态对应多个低能量未来，而不是被迫预测一个平均未来；第二，能量可以定义在 representation space，让模型只关心对预测和规划有用的状态关系。读这张图时要避免把低能量理解成“训练样本 loss 低”这么简单；真正要学的是整个能量景观的形状。

这里有一个容易误解的点：energy function 是推理时用来找答案的函数，不等于训练时直接最小化的 loss。 训练 EBM 的目标是塑造整个能量景观：让真实数据附近低能量，让不合理区域高能量。如果只把训练样本能量压低，而不约束其他区域，就会出现低能量区域无限扩张或能量坍缩。

Latent Variable EBM

世界模型需要处理不确定性。仅凭当前观测，很多未来因素并不在 $x$ 里，例如遮挡物体、他人意图、未观测场景结构、未来随机事件。论文用 latent variable $z$ 表达这些不可直接从输入读出的解释因素。

表源：Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence，Table 1。原论文表格要点：表格列举了 prediction problems 中可能相关的 latent variables，例如姿态、光照、分割结构、句法结构和字符分割等。

这张表要按不可观测因素读。
表中每一行都在提醒同一件事：很多预测问题里， $x$ 本身不足以唯一决定 $y$ ，中间还缺姿态、光照、结构、句法等隐变量。它支撑的是 latent variable EBM 的动机，而不是给出一个固定 latent taxonomy；真实世界模型里的 $z$ 还要被容量约束，否则会变成偷带答案的通道。

引入 $z$ 后，模型可以先定义：

$E_w(x,y,z)$

再通过对 $z$ 做最小化或边缘化得到可用于推理的能量：

$F_w(x,y)=\min_z E_w(x,y,z)$

也可以用 free-energy 式的边缘化形式。直觉是：同一个 $x$ 可能允许多个合理 $y$ ，而不同 $z$ 对应不同解释路径。

Figure source: Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence, Figure 4. 原论文图注要点：latent variable EBM 在推理时额外对 latent variable 做 minimization 或 marginalization；右侧椭圆例子说明 latent variable 可以表示数据流形上的隐含角度。

latent variable 在这里不是普通噪声。
图中的 $z$ 表示输入 $x$ 中没有显式给出的解释因素。比如当前视频看不到的物体状态、其他 agent 的意图、遮挡后的运动分支，都可能让未来 $y$ 出现多种合理结果。latent variable EBM 不是直接说“给模型加随机噪声”，而是让推理过程可以为同一个 $x,y$ 寻找一个合适的隐含解释。

用 $\min_z E(x,y,z)$ 看，就是只要存在某个 $z$ 能解释 $y$ ，这个 $y$ 就可以低能量；用 marginalization 看，则是把多个解释路径综合起来。对世界模型来说，这比单峰预测更自然，因为真实未来往往是多模态的。

对世界模型来说， $z$ 的作用可以理解成：

场景	$z$ 应该表达什么
视频未来预测	当前画面无法确定的运动分支、遮挡对象、未观测细节
自动驾驶	其他交通参与者的意图、短期随机行为、不可见区域状态
机器人操作	接触状态、物体内部状态、不可见受力或摩擦条件
多智能体环境	其他 agent 的目标、策略类型和私有信息

但 $z$ 不是越大越好。如果 $z$ 容量太强，模型可以把所有预测所需信息都塞进 $z$ ，从而绕开从 $x$ 推断 $y$ 的任务。论文反复强调 latent variable 的信息量必须被限制，否则世界模型会学成“带答案通道的预测器”。

EBM 训练为什么会坍缩

EBM 最大的训练风险是 collapse。在 joint embedding 结构中，如果两个 encoder 都输出常数表示，那么任意 $(x,y)$ 的表示距离都很小，训练误差看起来很好，但模型没有学到任何世界结构。

Figure source: Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence, Figure 5. 原论文图注要点：标准 deterministic prediction 架构不容易发生这种表示坍缩，但 joint embedding architecture 如果只最小化表示距离，就可能让 encoder 忽略输入并输出无信息常数。

collapse 图看的是坏解。
左侧 deterministic prediction 仍要输出目标空间里的内容，常数输出很难骗过任务；右侧 joint embedding 如果只让两个 embedding 接近，两个 encoder 都输出常数也能把距离压低。图里的关键箭头是训练目标本身给了模型一条捷径，所以 JEPA/EBM 需要额外的方差、协方差、信息量或 latent capacity 约束。

这对世界模型尤其危险。一个坍缩的模型可能在训练 loss 上很好看，却无法回答任何反事实问题：

1
2
3

如果我左转，世界会怎样？
如果我继续前进，风险会不会上升？
如果目标被遮挡，它可能在哪些位置？

论文把 EBM 训练概括成“塑造低能量区域”。训练样本附近要低能量，但训练集外、不兼容或不合理的配置不能也低能量。

Figure source: Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence, Figure 6. 原论文图注要点：proper training 要压低训练样本能量并防止 energy collapse；contrastive methods 通过负样本抬高训练集外能量，regularized methods 则限制低能量区域能占据的空间体积。

EBM training 看低能量区域的形状。
左侧目标是让训练样本附近低能量，但不能让低能量区域无限扩张。contrastive 路线靠负样本把不合理区域抬高，regularized 路线靠表示约束限制低能量区域体积。图想说明训练 EBM 不是只把正样本 loss 降低，而是塑造整个能量景观。

论文区分两类训练方式：

训练方式	基本做法	主要问题
Contrastive methods	压低正样本能量，同时抬高负样本或 contrastive samples 的能量	高维连续空间里负样本生成和覆盖很困难
Regularized methods	通过架构或正则项限制低能量区域体积，不完全依赖负样本	需要设计能防 collapse 的表示约束

这也是为什么 H-JEPA 路线更重视 regularized 和 non-contrastive 训练。世界模型面对的是视频、机器人观测和多模态状态，空间太大，不能假设负样本能覆盖所有不合理未来。

JEPA 的训练目标

JEPA 是把 EBM、latent variable 和 joint embedding 结合起来的一种预测结构。给定输入 $x$ 和目标 $y$ ，两个 encoder 先产生表征：

$s_x=\operatorname{Enc}_{w_1}(x), \qquad s_y=\operatorname{Enc}_{w_2}(y)$

predictor 再基于 $s_x$ 和 latent variable $z$ 预测目标表征：

$\bar{s}_y=\operatorname{Pred}_{w_3}(s_x,z)$

这里 $\bar{s}_y$ 表示预测出来的目标表征， $s_x$ 是输入表征， $z$ 是潜变量， $\operatorname{Pred}_{w_3}$ 是带参数 $w_3$ 的 predictor。

能量由预测表征和目标表征之间的差异给出：

$F_{w_1,w_2,w_3}(x,y,z)=D(\bar{s}_y,s_y)$

Figure source: Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence, Figure 9. 原论文图注要点：JEPA 使用两个 encoder 学习 $x$ 与 $y$ 的表征，predictor 借助 latent variable $z$ 从 $s_x$ 预测 $s_y$ ，能量由两种表征之间的距离定义。

JEPA 图先分清三条路径。
$x$ 经过 context encoder 得到 $s_x$ ， $y$ 经过 target encoder 得到 $s_y$ ，predictor 再用 $s_x$ 和 latent $z$ 预测 $\bar{s}_y$ 。训练比较的是 $\bar{s}_y$ 与 $s_y$ ，不是重建 $y$ 的像素。图想说明的是“预测表征”这条路线，不能直接证明这个表征已经能支持动作规划或奖励预测。

训练 JEPA 不能只最小化 $D(\bar{s}_y,s_y)$ 。论文给出的 regularized loss 思路包含三类约束：

最小化 prediction error，让 $s_y$ 能从 $s_x$ 和必要的 $z$ 中预测出来；
最大化 $s_x$ 和 $s_y$ 对各自输入的信息量，防止 encoder 输出常数；
最小化 $z$ 的信息量，防止 predictor 只依赖 latent variable 搬运答案。

Figure source: Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence, Figure 10. 原论文图注要点：JEPA 的训练除了 prediction error，还需要让 $s_x$ 、 $s_y$ 保留输入信息，并限制 latent variable $z$ 的信息量；图中把这些正则项和预测误差一起放入训练目标。

regularized loss 同时踩三块刹车。
预测误差让 $\bar{s}_y$ 贴近 $s_y$ ，表示正则防止 $s_x$ 、 $s_y$ 坍缩成常数，latent 正则限制 $z$ 把答案全带进去。三者缺一都容易出问题：没有预测误差学不到未来关系，没有表示约束会 collapse，没有 latent 约束会把不确定性通道变成作弊通道。

论文提到的一个具体方向是 VICReg 类正则：通过 variance、invariance、covariance 约束让表示既不坍缩，又减少冗余相关性。这里的重点不是某个固定公式，而是训练原则：预测目标、表示保真和 latent 压缩必须同时存在。

H-JEPA：层级表征世界模型

单层 JEPA 很难同时处理短期细节和长期规划。短期预测需要保留足够多的低层状态，例如位置、速度、局部接触和局部几何；长期预测则不可能精确保留所有细节，反而需要更抽象的状态，例如任务阶段、可达区域、目标关系和风险结构。

H-JEPA 的核心是把多个 JEPA 堆叠起来：

lower-level JEPA 处理细粒度表示和短期预测；
higher-level JEPA 使用 lower-level 表示作为输入，做更抽象、更长时间尺度的预测；
层与层之间可以用 CNN、pooling 或其他 coarse-graining 模块降低细节密度；
每一层都需要自己的 prediction loss、collapse prevention 和 latent capacity control。

Figure source: Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence, Figure 11. 原论文图注要点：H-JEPA 由堆叠的 JEPA 组成，低层 JEPA-1 基于更多细节做短期预测，高层 JEPA-2 基于更少细节做长期预测，从而支持 multiscale planning。

H-JEPA 图看时间尺度而不是层数炫技。
低层 JEPA 保留更多局部细节，适合短期预测；高层 JEPA 在 coarse-graining 后接收更抽象的状态，适合长时间尺度规划。箭头里的信息逐层变少但语义变粗，这正是它想解决的矛盾：不能用同一套细节密度同时服务接触级短期动态和任务级长期计划。

从世界模型角度看，可以把 H-JEPA 写成多时间尺度预测：

$\hat{s}^{(1)}_{t+1} = f^{(1)}(s^{(1)}_t, a_t, z^{(1)})$

$\hat{s}^{(2)}_{t+K} = f^{(2)}(s^{(2)}_t, a_{t:t+K-1}, z^{(2)})$

其中第 1 层更接近局部动态，第 2 层更接近抽象计划。原论文的图没有显式动作输入，但如果把它扩展成 action-conditioned world model，动作或动作序列应该进入 predictor，而不是只在最后接一个 policy head。

从视频训练框架拓展到 H-JEPA 世界模型

如果从现有视频训练框架出发，H-JEPA 给出的不是“再加一个视频 decoder”，而是一条表征预测路线。

历史视频片段 x
  -> low-level encoder
  -> short-term JEPA prediction
  -> coarse-grained higher-level state
  -> long-term JEPA prediction
  -> cost / planner / policy 使用预测状态

和视频生成模型相比，关键改造是：

改造点	视频生成训练	H-JEPA 式世界模型训练
预测对象	future frames / video latents	future representations
目标函数	重建、去噪或 token likelihood	representation prediction + anti-collapse regularization
不确定性	通过噪声、自回归采样或 diffusion trajectory 表达	通过受限 latent variable $z$ 表达
长时序	常靠长上下文、记忆或分块生成	靠层级表征和多尺度预测降低细节负担
动作条件	常作为额外 condition 注入生成器	应进入 predictor，学习 action-conditioned dynamics
可视化	直接输出视频	默认不输出画面，必要时再接 decoder

这条路线和 LingBot-World 的视频生成路线不冲突，但目标不同。LingBot-World 需要生成可交互画面，因此视觉质量、实时性和长时一致性是核心约束。H-JEPA 更关注内部状态是否可预测、可规划、可组合；它可以作为视频世界模型的 latent dynamics 层，也可以作为机器人或自动驾驶系统的 state abstraction 层。

和 Dreamer / V-JEPA / LingBot 的关系

维度	H-JEPA / latent EBM route	Dreamer route	V-JEPA route	LingBot route
主要目标	在 representation space 中学习多尺度世界预测	从交互轨迹学习 latent dynamics 并训练 policy	用视频自监督学习强视觉表征	从视频生成模型扩展成交互式世界模拟器
数据接口	可来自多模态配对、视频片段或交互轨迹	$o_t,a_t,r_t,done_t$ 轨迹	视频 clip 和 mask	大规模视频与交互控制数据
动作建模	原文是架构原则，动作可作为 predictor 条件扩展	动作是 RSSM transition 的核心条件	原论文没有 action	动作/控制信号用于视频 rollout
输出	future representation / low-energy state	latent state、reward、continuation、policy	masked region representation	future video / interactive scene
训练重点	anti-collapse、latent capacity、层级预测	KL、reward/continuation、imagination actor-critic	EMA target encoder、3D masking、latent regression	action grounding、causalization、long-horizon consistency

最容易混淆的是 H-JEPA 和 V-JEPA。V-JEPA 是一个实证视频表征学习方法，给出了具体数据、mask、EMA target encoder、loss 和实验。H-JEPA 这篇文章则更基础：它解释为什么 JEPA 需要 regularized loss、为什么 latent variable 不能无限大、为什么长期世界模型需要层级抽象。

训练细节可复用点

这篇文章没有给出完整的 batch size、optimizer、训练步数和 benchmark recipe，但它给了几条很适合迁移到世界模型训练的原则。

第一，不能只压低正样本能量。无论是视频世界模型还是机器人 latent dynamics，如果 loss 只奖励“训练对匹配”，模型可能扩大低能量区域，导致反事实预测不可用。

第二，表征预测必须配 anti-collapse 机制。EMA teacher、variance/covariance regularization、stop-gradient、信息瓶颈和 latent capacity penalty 都是这个问题的不同实现方式。

第三，latent variable 应该表达不可观测但有用的不确定性，而不是成为答案缓存。工程上需要限制 $z$ 的维度、噪声分布、互信息或可访问目标信息。

第四，长期 rollout 应该提高抽象层级，而不是强行保留短期细节。H-JEPA 的层级结构对应世界模型里的多尺度状态：底层负责局部物理和短期运动，高层负责任务进度、可达性和规划约束。

第五，动作条件要进入 dynamics predictor。如果只是训练 $x \rightarrow y$ ，模型学到的是被动观察世界；如果要服务规划，训练样本必须让模型看到不同动作导致的不同未来。

局限与不可外推结论

这篇文章适合用来理解 H-JEPA 的训练思想，但不能当作 H-JEPA 已经被大规模验证的证据。

具体边界包括：

它是 lecture-note 风格论文，没有 H-JEPA benchmark、数据配方或消融实验；
图中的 H-JEPA 是概念架构，不是可直接复现的工程系统；
原文没有给出 action-conditioned predictor 的完整训练算法；
cost/critic 如何学习、如何和任务奖励或人类目标对齐，仍是开放问题；
representation-space prediction 可能丢掉规划需要的细节，例如小物体、接触状态、危险区域或可操作 affordance。

更稳妥的读法是：把这篇论文当成“表征型世界模型如何训练”的原则说明。它补充了 Dreamer 系列偏 RL recipe、V-JEPA 偏视频表征、LingBot 偏视频生成系统的部分，重点回答一个更底层的问题：世界模型的 latent space 如何既可预测、又不坍缩、还能支持长时层级规划。

阅读结论

读 H-JEPA 的价值在于抽象层级和 planning 接口：低层预测局部 latent，高层预测抽象状态，再用 energy/regularization 防 collapse。这里多数图是机制和架构证据，不是大规模 benchmark；不能拿来声称某个机器人任务已经被解决。

它的可复用机制是 representation-space prediction 的训练原则：anti-collapse、latent capacity、层级抽象和能量函数。不可外推项是原文没有给出 action-conditioned predictor 的完整工程 recipe，也没有真实控制 benchmark；更适合作为理解 JEPA/H-JEPA 思想的理论入口。

Charles's Castle