GENISOM AI提出物理对齐JEPA世界模型，在机器人规划基准上取得更高成功率
该模型在TwoRoom、PushT与OGBench-Cube上成功率领先，并超越仅用逆动力学的基线，展示了将潜变量预测与物理状态对齐结合的价值。
AI解读：机器人要完成“把物体推到目标位置”这类任务，通常需要先想象未来的画面再规划动作，但生成完整未来图像既慢又浪费算力。JEPA类模型试图跳过图像重建，直接在抽象特征里预测下一步会发生什么，可这种抽象预测容易丢掉对控制有用的细节。GENISOM AI这篇论文给出一个补丁：在预测的同时加一个“逆动力学”分支，反推什么样的动作导致了当前状态变化，并额外加一个“状态对齐”模块，让相邻的抽象表示尽量和真实的机械位置、运动速度对上号。实验显示，加了这两个模块后，模型在四项基准中的三项成功率最高（TwoRoom 100%、PushT 98%、OGBench-Cube 87%），而且单独加状态对齐比只用逆动力学的成功率更稳定。这篇论文已被IROS 2026的物理世界模型研讨会（PWMS 2026）接收。如果你是做机器人控制或具身智能的研究者，可以把它看作一种提升规划成功率的思路——但注意它目前只在小规模模拟任务上验证过，还未见于真实机械臂或大规模部署的结果，所以别直接把它当作生产级解决方案。
来自北京GENISOM AI的研究者提出一种端到端JEPA世界模型，在潜变量预测之上加入逆动力学（IDM）与状态对齐（SA），以提升面向目标的机器人规划能力。模型在四项基准任务中的三项取得最高成功率：TwoRoom 100%、PushT 98%、OGBench-Cube 87%，在Reacher任务上与基线LeWorldModel表现相当。该论文已被IROS 2026研讨会PWMS 2026接收。