La-JEPA：在 V-JEPA 特征空间里从头训练紧凑机器人世界-动作策略

机器人策略的主流做法，是把视频生成模型或视觉语言模型当作骨架，再在上面接动作头。La-JEPA 要回答的问题更直接：这条路线是不是必需的？能不能直接在预训练的 V-JEPA 2.1 特征空间里，从头训练一个紧凑的世界-动作策略，并且不依赖任何具身预训练，就在公开 benchmark 和真实机械臂上拿到有竞争力的结果？这个问题现在值得看，是因为它不只有路线主张，还给出了 LIBERO-Plus、RoboTwin 2.0 和四个真实 Franka 任务上的具体数字，并开源了代码，读者可以自行核对这套说法是否站得住。

它训练的是一个策略 Transformer，表征空间取自预训练的 V-JEPA 2.1。训练阶段同时存在世界模块和动作模块，世界模块负责预测未来特征，但这个目标只服务于训练；到了推理，模型只生成动作，不再预测未来。评测分了几层：LIBERO 与 LIBERO-Plus，后者还区分校正指令和发布指令两种设定；RoboTwin 2.0，训练只用干净演示，再分干净场景与随机场景测；真实环境是四个 Franka 桌面任务。对照对象包括有具身预训练的 π0.5 和 Fast-WAM，模型规模有 L 与 B 两档。

在无具身预训练的设定下，La-JEPA L 在 LIBERO-Plus 校正指令上成功率为 88.0%，发布指令为 84.1%，LIBERO 为 98.1%。把这两个 LIBERO-Plus 数字并排看，校正指令的结果高于发布指令，说明这类评测对指令措辞是敏感的；而 98.1% 已接近 benchmark 的上限，区分度相对有限。RoboTwin 2.0 上，La-JEPA B 在干净场景是 86.2%，随机场景 35.4%，三种子平均 60.8%，训练只用了干净演示。从 86.2% 掉到 35.4%，说明从干净演示迁移到随机场景仍是主要短板，60.8% 的均值也是被随机场景拉下来的。

推理侧的数字同样关键。作者称在相当或更好的性能下，优化后的推理比 Fast-WAM 快最多约 5 倍；这与「推理只生成动作、不预测未来特征」的设计是一致的，相当于把世界模型的成本留在了训练阶段。真实环境里，四个 Franka 桌面任务平均成功 17.50/20，具身预训练的 π0.5 是 17.25/20，两者相当。换句话说，至少在作者选定的这四个任务上，具身预训练没有表现出明显优势，但任务数量只有四个，外推需要谨慎。

这些结果意味着一条路线判断：不必把视频生成或视觉语言模型当成策略骨架，预训练特征空间加一个紧凑动作头也能打。未来特征预测更像一种辅助训练目标，用来把表征约束到可预测的动态上，而推理时不必支付这笔开销，这对延迟敏感的部署有直接价值。对实践的另一层影响是复现门槛：代码已经公开，如果团队已有 V-JEPA 类表征，跟进成本不算高。但 RoboTwin 随机场景 35.4% 提醒，数据多样性和鲁棒性不是换一个表征空间就能解决的；LIBERO-Plus 两种指令设定的差距也提示，报数字时要把指令条件带清楚。

做机器人策略、VLA、世界模型和表征学习的研究者与工程团队，都能从这份资料里拿走三样东西：一组可横向比较的数字，一条「训练用世界模型、推理只用动作」的实现思路，以及一个开源代码入口。边界也要讲明白：材料只到摘要层面，没有训练数据规模、超参、消融和失败案例分析；「快最多约 5 倍」是作者在特定对比下的声称；真实任务只有四个桌面任务；随机场景 35.4% 说明泛化短板仍然存在。把这些数字当作路线证据来读，比当作全面领先的结论更合适。