用 early-fusion ViT、modality dropout masking 和 SIGReg，把 JEPA 扩展到音视频 latent 对齐，同时保持无 decoder/无负样本的简洁自监督结构。
高相关；详见方法、贡献和实验边界。
方法：用 early-fusion ViT、modality dropout masking 和 SIGReg，把 JEPA 扩展到音视频 latent 对齐，同时保持无 decoder/无负样本的简洁自监督结构
高相关；详见方法、贡献和实验边界。
方法：把 VQ 训练不稳定与 codebook collapse 归因于 feature/code distribution mismatch，对视觉 tokenizer、AR 图像模型和离散表征学习都有底层价值
中高相关；详见方法、贡献和实验边界。
方法：解释 question-first prompt 为什么会损伤 VLM：问题能引导图像 patch 表征，却在 answer token 处被读不到；echoing 是训练无关修复
中高相关；详见方法、贡献和实验边界。
方法：把 compositional VQA 失败拆成 grounding、reasoning、attribute extraction、language prior 四类，并定位到不同 transformer pathway
中高相关；详见方法、贡献和实验边界。
方法：把 CLIP/VLM 单位球特征建模为 vMF mixture，用动态 shrinkage 处理长尾/不均衡测试集，属于训练无关表征校准