你给机器人看两张几乎一样的房间照片，一张清晰，一张稍微模糊。人知道它们是同一个地方，机器人却可能在内部把它们当成两种状态，进而规划出不同路线。更麻烦的是，只看它对下一帧“猜得准不准”，未必能发现这类问题。
这篇论文追问的正是这道落差：JEPA看起来会预测，是否意味着它的内部表征足以支撑行动？作者没有再做一个新控制器，而是提出一套诊断方法，检查视觉扰动如何沿着动作和多步预测传播。本文的结论与数字均来自这篇论文，尚无独立信源交叉验证。
不比画面，比“同样行动后的未来”
JEPA（Joint-Embedding Predictive Architecture，联合嵌入预测架构）不要求模型还原未来画面的每个像素。它预测的是未来状态的抽象表征。这个内部数字空间叫潜空间（latent space）。这样做可以少管光影、纹理等外观细节，但不保证模型一定忽略了无关变化，也不保证它保留了控制所需的信息。
作者借用了“双模拟”的直觉：两个观察只有在采取同样动作后产生相同后果时，才应该被视作同一个状态。于是，他们提出 Action-Conditioned Predictive Consistency，简称 ACPC，可译作“动作条件预测一致性”。
做法很直观。先取一段干净的观察历史，再制造它的噪声、模糊或缩放版本。随后让冻结的世界模型——即预测环境如何随动作变化的模型——从两种输入出发，执行完全相同的动作序列，并向前预测多步。ACPC测量两条潜空间轨迹相隔多远。
这比只看编码器输出多问了一层：最初的一点表征偏差，经过连续预测后，是被压小了，还是越滚越大？相同动作则排除了“因为动作不同，所以未来不同”这一干扰。
但ACPC低也不一定是好事。一个把所有状态都编码成同一个点的模型，当然永远“一致”，却无法行动。作者因此配套提出两个指标：Invariance Radius（IR，不变半径）概括同一状态在干净与扰动输入下的轨迹分散程度，越低越好；Separation Rate（SR，分离率）检查不同状态经过预测后是否仍能区分，越高越好。两者必须一起看。
论文还专门制造了表征坍缩——模型把不同状态压成近乎相同表示——来检验这一点。坍缩模型得到最低的原始IR，却同时出现SR和干净任务成功率下降。也就是说，SR确实能揭穿“什么都不区分，所以看起来很稳定”的假象。
它能证明什么？
作者给出了两个逐样本的理论界限。第一，如果干净输入与扰动输入对应同一个真实未来，那么两次多步预测误差的变化，不会超过两条预测轨迹之间的ACPC距离。这个结论约束的是“扰动让误差改变多少”，不是模型本身有多准确：两条轨迹可以彼此很近，也可以一起预测错。
第二，当规划器用潜空间中到目标的平方距离给候选动作序列评分时，ACPC可以约束扰动造成的候选成本变化。如果这种变化不足以填平候选方案之间原有的成本差距，赢家就不会改变。对论文使用的 CEM（Cross-Entropy Method，交叉熵方法，一种反复保留较优候选并生成新候选的规划算法）来说，若每轮的优秀候选集合都不变，最终动作也会保持不变。
不过，这只是对已经评估过的候选池和模型内部成本的保证，不等于机器人在真实环境中的回报或成功率得到保证。
四项任务给出了什么证据？
作者在 TwoRoom 导航、PushT 平面操控、Reacher 机械臂控制和 OGBench-Cube 三维操控上测试 LeWM，并用结构不同的 PLDM 做补充验证。规划器比较五步动作序列；检查点级诊断使用八步 rollout——即让模型沿动作序列连续向前推演。
在预测误差实验中，作者把八步ACPC加入回归模型。它在全部12个“任务×训练运行”单元中取得最低的交叉验证平均绝对误差，优于编码器距离、一步ACPC，以及把动作清零、替换或打乱的八步对照。这说明有效信息不只来自“多算了几步”，还来自与真实未来对应的那段动作。
在规划实验中，加入与CEM五步规划跨度一致的ACPC后，跨任务预测误差同样在12个测试单元中全部下降。这里预测的是：视觉扰动让CEM换了方案后，新方案在干净模型看来多付出了多少成本。论文没有声称把ACPC放进规划过程就能提高成功率。
检查点层面，作者用部分任务选择IR与SR的筛选阈值，再原样应用到其余任务。14种来源任务与测试任务的划分中，有13种选出了同一套规则；使用两到三个来源任务时，首次被诊断接受的检查点与性能恢复点平均相差不到一个训练档位，最多相差一个档位。只用单个来源任务选择阈值则明显不稳定。
作者还把在高斯噪声下确定的规则用于模糊和缩放。在24组配对比较中，联合IR–SR分数的变化方向有22组与预设成功标准一致；剩余两组的规划成功率也提高了4个百分点，只是略低于预设的5个百分点门槛。PLDM总体也呈现“IR更低、SR更高时，扰动下规划表现更好”的相似趋势。
为什么值得关注？
这项工作的价值不在于宣布JEPA已经会可靠行动，而在于把“表征看起来合理”改写成一个更贴近控制的问题：同一个场景换种外观，在相同动作下，模型想象出的未来是否仍然一致；与此同时，它还能否保留真正不同状态之间的差别？
这也提醒我们，潜空间预测不是天然的鲁棒性通行证。模型可以忽略像素，却仍可能被模糊、缩放或噪声推向不同的内部未来。ACPC提供了一把检查尺，但不是修复工具。
局限与未知
- ACPC诊断预测轨迹和模型成本，并不训练模型、修改CEM，也未证明使用它能提升实际控制成功率。
- 理论界限约束的是误差或成本“变化”，不是绝对预测精度；界限在实际条件下有多紧，论文给出的材料不足以支持更广泛结论。
- 实验集中在四项任务、LeWM与PLDM，以及三类视觉扰动。跨任务筛选主要在LeWM上验证，不能外推为所有JEPA或所有控制环境都适用。