FactorJEPA：把复杂城市世界的整体未来拆分为布局、Agent与交互通道

世界模型因其捕获和预测物理世界结构和动态的能力而备受关注。在这一新兴领域中，联合嵌入预测架构（JEPA）提供了一个特别引人注目的方向。我们研究了一个相对未被探索的领域：人口密集、拥挤且混沌的全球南方城市环境，我们称之为DENSEWORLD。与现有评估中主导的低密度、车道结构化设置不同，这些场景表现出软空间边界、极端的代理异质性、持续的遮挡和混合交通下的快速社会谈判。我们引入了一个大规模数据集，用于这个领域：22个城市中的1,000小时的驾驶、步行和空中视频。现有的JEPA形式化在异质性和部分可观测性下难以保留密集的交互动态。我们引入了FactorJEPA，使世界结构成为第一个级的预测基础。与编码未来在单一潜空间中不同，它通过可见性门和分离的子空间来组合布局、实体和互动，以保留部分观察的代理并防止跨因子捷径。FactorJEPA在（i）未来潜空间精度（Future-frame L1）、（ii）干预敏感的预测（Causal L1）和（iii）视觉证据减少的鲁棒性（Mask-ratio slope）方面改进，同时暴露（iv）可重复的运动信息权衡（Motion cosine）。方法排名在2B和1B V-JEPA 2.1后端上保持一致，rho值为0.895到0.978。我们公开发布了DENSEWORLD-115k数据集（https://huggingface.co/datasets/anonymousML123/denseworld-115k）和手术训练后的FactorJEPA检查点（https://huggingface.co/datasets/anonymousML123/factorjepa-outputs/tree/main/outputs/full/vjepa_2_1_vitg_1B/train/m09c_surgery_3stage_DI_diheavy_encoder）。