EPM-JEPA：JEPA 系列世界模型中的操作员端体验调制

JEPA 系列世界模型使用静态预测器，当测试时动态偏离训练时，其权重不会调整。我们比较了在分布偏移下将累积经验合并到 JEPA 预测器中的两种机制：操作数侧注入，其中压缩经验表示作为残差添加到预测器的隐藏状态 (EI-JEPA)，以及操作员侧调制，其中相同的表示通过应用于预测器权重的 LoRA 生成低秩权重增量 (EPM-JEPA)。在预先注册的比较（移动 MNIST，重力转移）中，EPM-JEPA（D_shift^{n=50} = 0.7848 +/- 0.0078，三个种子）与 EI-JEPA (0.8238) 的差异为 delta = 4.74% - 结果 C：无效结果 - 根据我们规定的标准，有效结果。作为次要的、非预先注册的观察结果，EPM-JEPA 比无记忆基线 (0.8000) 提高了 1.90%，在种子中一致，而 EI-JEPA 表现低于基线，表明这种好处是特定于权重层面的调制的。我们的主要贡献是机制分析：D_shift^{n=50} 轨迹反映了三个独立的动态过程 - 缓冲区循环、EMA 目标漂移和 +0.021 的固有 LoRA 稳定瞬态 - 而不是收敛到平衡。这些发现激发了 PEM-JEPA，这是一个基于物理学的后续产品，解决了这种动态峰值限制。