arXiv new; JEPA theory · P1 · 2026-06-27

A Generalization Theory for JEPA-Based：它和通用视觉自监督的关系在于：给 JEPA 目标作 conditional spectral graph learning 解释，帮助理解 JEPA dynamics 泛化

中高相关；详见方法、贡献和实验边界。

A Generalization Theory for JEPA-Based World Models　arXiv new; JEPA theory　原文链接

编号2606.27014 优先级P1 类别arXiv new; JEPA theory 会议arXiv new; JEPA theory 方法给 JEPA 目标作 conditional spectral graph learning 解释，帮助理解 JEPA dynamics 泛化来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：给 JEPA 目标作 conditional spectral graph learning 解释，帮助理解 JEPA dynamics 泛化。中高相关；详见方法、贡献和实验边界。

**Figureure 2 · : Comparisons between latent- and input-level predictive models on syn**Figure 2: Comparisons between latent- and input-level predictive models on synthetic data under various planning steps and noise levels. Both methods perform well on short-horizon tasks, while latent prediction shows advantages under higher noise and more required planning steps.这张图/表用于判断 A Generalization Theory for JEPA-Based 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

**Figure · Extracted visual evidence**This visual block was extracted from the paper PDF without a structured caption. It is included only as supporting visual evidence for A Generalization Theory for JEPA-Based; prefer figures with explicit captions when available.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 A Generalization Theory for JEPA-Based 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：给 JEPA 目标作 conditional spectral graph learning 解释，帮助理解 JEPA dynamics 泛化。

方法拆解

给 JEPA 目标作 conditional spectral graph learning 解释，帮助理解 JEPA dynamics 泛化

主要贡献

中高相关；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。