AdaJEPA：一种自适应潜在世界模型

基于摘要分析。AdaJEPA 研究高维观测下的目标到达规划问题，针对潜在世界模型在测试时保持冻结、预测失准后可能导致规划失败的情况，将测试时自适应嵌入模型预测控制（MPC）闭环，利用实际观测到的状态转移持续校准模型。 其流程是在训练完成后先规划并执行首个动作片段，再以观测到的下一状态转移作为自监督适应信号，更新世界模型后重新规划。摘要明确该过程不需要额外专家示范，但未说明潜在表征结构、具体损失、更新参数范围及训练数据要求，不能仅凭 AdaJEPA 名称推断其实现细节。 作者报告，在一系列目标到达任务中，每次 MPC 重规划仅进行一次梯度更新即可显著改善规划成功表现。摘要未提供任务名称、分布偏移设置、对照基线、成功率数值或计算延迟；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，利用闭环交互中实际出现的后续观测，校准因分布变化而失准的预测模型。这一机制可能对应闭环 BCI 中的预测漂移，但原研究对象不是 EEG 解码，且依赖可观测状态转移、可执行动作及明确目标。若用于 EEG，需改造状态表征、自监督目标和控制接口，并防范低信噪比、被试差异、通道变化及有限在线数据使更新追随噪声。一个可证伪的小实验是在具有动作与后续反馈记录的闭环数据中，按时间顺序比较冻结模型与每步单次更新模型的下一状态预测误差和任务成功率，同时记录更新延迟；只有前者改善并不代表控制收益。相关 EEG 工作尚未检索确认。