arXiv 新增 · video JEPA / long-duration representation · P0 · 2026-06-24

P-JEPA：它和通用视觉自监督的关系在于：把 JEPA 式预测目标改造成长时程 procedural video 表征学习，是今天最贴近通用视频 SSL 的主线

高相关；详见方法、贡献和实验边界。

P-JEPA: Procedural Video Representation Learning via Joint Embedding Predictive Architecture　arXiv 新增 · video JEPA / long-duration representation　原文链接

编号2606.23256 优先级P0 类别arXiv 新增 · video JEPA / long-duration representation 会议arXiv 新增 · video JEPA / long-duration representation 方法把 JEPA 式预测目标改造成长时程 procedural video 表征学习，是今天最贴近通用视频 SSL 的主线来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把 JEPA 式预测目标改造成长时程 procedural video 表征学习，是今天最贴近通用视频 SSL 的主线。高相关；详见方法、贡献和实验边界。

**Figureure 8 · : Overview of Pooling frameworks.**Figure 8: Overview of Pooling frameworks.这张图概括 P-JEPA 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 1 · : P-JEPA**Figure 1: P-JEPA. A take-level JEPA is trained on continuous streams of feature tokens. The student encoder sees randomly selected context tokens, the predictor fills masked target positions, and an EMA teacher provides latent targets for the complete valid stream.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 P-JEPA 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：把 JEPA 式预测目标改造成长时程 procedural video 表征学习，是今天最贴近通用视频 SSL 的主线。

方法拆解

把 JEPA 式预测目标改造成长时程 procedural video 表征学习，是今天最贴近通用视频 SSL 的主线

主要贡献

高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。