LeCun 論文證明柏拉圖表示假說，JEPA 樣本效率高 42 倍
LeCun 參與的論文把柏拉圖表示假說變成定理：在不同模態上分別訓練的 JEPA，只要正樣本是同一場景的兩個好視角，就能學到僅差一個旋轉的相同表示。作者稱下一 token 預測相當於使用壞視角的 JEPA，因而語言模型只能靠規模與視覺對齊；在 14.5 萬條描述到 9.4 億張網路影像文字上驗證了對齊縮放律。相同語料下，好視角所需樣本比下一 token 預測少 42 倍；
首次把柏拉圖表示假說從猜想變成定理，並實測好視角樣本效率高 42 倍、1.09 億引數文字 JEPA 的對齊效果超過至多 720 億引數語言模型，對多模態與高效訓練研究有直接參考價值。
原標題：Proving and Improving the Platonic Representation Hypothesis with JEPAs
閱讀原文
| 評分 | 80 / 74（平均 77，門檻 76） |
|---|---|
| 狀態 | 精選 |
相關報導
清華提出 Jev-LDE：ICL 範例只編輯一次，1-shot 準確率升至 88.1%
清華大學自動化系研究者提出 Local Demonstration Editing（LDE）與小型編輯模型 Jev-LDE，在目標 LLM 推理前對已檢索出的 demonstration set 只做一次 Keep、Delete 或 Replace 編輯，而非重新搜尋最優範例組合。
UCLA 與 Adobe 提出 Tev：27B 模型長程任務追平 GPT-6 Astra
Adobe Research 與 UCLA 提出 Tev 訓練方案：27B 模型在 Agents' Last Exam 計算與數學子集上 Pass@5 達 0.28，追平 GPT-6 Astra 與 Claude Opus 5。做法是先建置含隱藏標準答案的潛在世界再用它渲染出任務環境，據此合成覆蓋 7 個領域、1,170 個環境的 Tev-Gym，單次 rollout 中位耗時 12.4 分鐘、Pass@1 僅 29%。
Jev 走紅，NeurIPS 2025 論文 ConfTuner 早已探索相似思路
TypeSafe AI 的 Jev 模型近期走紅，其介面可直接返回預設選項、分數或事件機率，供程式碼呼叫，但未開源、架構未公開。NeurIPS 2025 入選論文 ConfTuner 提出 Tokenized Brier Score，僅用對錯標籤即可訓練置信度機率分佈，在 LLaMA、Qwen、Ministral 上把平均 ECE 從 0.2768、0.3781、0.4393 降至 0.1082、0.2872、0.1884，4 張 A40 上約 4 分鐘完成微調。
Kimi 發布 PerceptionBench，16 個前沿多模態模型準確率均不足 60%
Kimi 團隊發布 PerceptionBench，這是從 42 個現有基準中的真實模型失敗裡歸納出視覺感知能力的評測集，包含 10 類原子感知能力：視覺關係、計數、屬性、深度與 3D、定位、比較、細粒度識別、上下文整合、OCR 與幻覺；共 3000 道經驗證題目，只需看圖即可作答，不依賴推理或外部知識。在 16 個前沿多模態大模型上，沒有一個模型準確率達到 60%，感知相關的幻覺平均是最弱項，總分接近的模型在實際感知內容上也可能差別很大。
DSReg 讓 JEPA 表徵每一維對應真實世界變數
UIUC、冷泉港實驗室等機構提出 DSReg，可直接加在已訓練好的 JEPA（LeJEPA）表徵上，讓每一維對應太陽、溫度等真實世界變數，且不需要重建觀測、解碼器或標籤。方法先估計觀測對錶徵的區域性 Jacobian，再在正交矩陣上最小化稀疏度，找到這個旋轉，理論上首次得到完全可識別的 JEPA。在合成資料、3DShapes 與 dSprites 上，它的恢復效果接近用標籤擬合的監督上界，六個下游任務均優於 LeJEPA，原有預測效能不變。