世界动作模型的表征研究

基于摘要分析。本文研究世界动作模型（World Action Models，WAMs）中，视觉特征及其预测方式如何塑造中间表征，并影响机器人动作预测。作者通过比较不同视觉特征与预测机制，提出 V-JEPA 2.1 特征结合逐帧自回归（frame-wise autoregression）的表征方案；主要研究对象是机器人视觉与动作建模，而非 EEG 或 BCI。 WAMs 利用视觉预测学习全局或密集语义、几何及时空动态等中间表征，再用于动作预测。作者报告，在所研究的机器人动作预测设置中，偏重时空动态的 V-JEPA 2.1 特征优于用于像素重建的 Wan VAE、提供密集语义的 DINOv3 和提供全局语义的 SigLIP-2 特征；逐帧自回归的视觉特征预测也优于 diffusion。摘要未给出各单项对照的完整数值，因而不能仅凭组合结果量化两项选择各自的贡献。 作者报告，在 RoboTwin 2.0 上、不进行额外机器人预训练时，V-JEPA 2.1 + 逐帧自回归方案的平均成功率为 85.9%，Wan VAE + diffusion 基线为 38.0%；额外使用 3,300 小时机器人数据预训练后，两者成功率分别为 91.5% 和 75.1%。这些数值属于相应机器人任务与预训练条件，不能视为 BCI 性能证据。具体任务组成、数据划分、模型配置、计算预算、重复试验及统计信息尚未验证，复现需核对全文中的特征提取、训练与动作预测接口。 平台推测（待验证）：可检验的跨领域假设是，与重建观测细节相比，预测任务相关的时序潜在特征可能更适合 EEG 表征学习。原方法依赖视觉特征及机器人数据，不能直接照搬 V-JEPA 2.1；可借鉴特征预测目标与逐步预测机制，但需改造 EEG 编码器、通道表示及下游任务接口。低信噪比可能使预测目标偏向伪迹，被试和通道差异可能破坏潜在空间一致性，小数据也可能限制自回归训练。一个小规模可证伪实验是在同一 EEG 数据集、固定编码器和训练预算下，比较潜在时序特征预测与信号重建目标，并分别报告被试内和跨被试任务表现。已有相关 EEG 工作尚未检索确认。