用 JEPA 证明并改进柏拉图表示假说

研究者提出柏拉图表示定理：在任意多种模态上分别训练的 JEPA，只要正样本对是同一场景的两次观测（good views），学到的表示就只差一个旋转。next-token prediction 被视为使用 bad views 的 JEPA，这解释了语言模型为何只能靠规模与视觉对齐。