LeHami 把哈密顿力学引入 JEPA，LeCun 转发该世界模型研究

LeHami 是一套辛哈密顿 JEPA 方案，核心解决普通 JEPA 世界模型长时间预测时，隐空间分布不断收缩、状态互相合并的老毛病，这也是 LeCun 转发这篇论文的核心原因。普通 JEPA 的自回归预测器在持续推演未来状态的时候，隐向量空间的体积会慢慢变小，时间拉得越长，预测结果越容易往少数几个固定状态收敛，物理场景里速度、轨迹预测会明显失真。LeHami 直接把哈密顿力学的相空间结构套进 JEPA，把隐状态拆成位置 q 和动量 p 成对变量，用保辛的蛙跳积分步骤做状态更新，保证每一步推演都守住相空间体积，不会出现分布收缩，还支持时间反向推演、任意子步长积分，在视觉单摆测试环境里，长周期速度预测效果明显优于原版 JEPA 基线模型。

为什么普通 JEPA 长时序预测会失效

• 原版 JEPA 预测器没有物理几何约束，属于纯数据驱动拟合
• 持续 rollout 推演过程中，隐空间体积不断收缩，不同真实状态慢慢融合
• 容易收敛到稳态不动点，丢失物理系统的动态变化信息
• 步长固定，很难适配采样间隔不一样的观测数据，也没法反向回溯状态

LeHami 核心改造步骤清单

1. 改造 JEPA 隐状态结构：不再只用单一隐向量，构造 (q,p) 正则相空间，q 由编码器输出，p 是 q 的时间导数，不需要额外参数训练
2. 替换原生预测模块：换成带动作条件的可学习哈密顿流 H_φ
3. 积分算法选定：使用保辛蛙跳（leapfrog）迭代，每一步变换都是辛映射
4. 训练目标：以长时序隐状态轨迹一致性作为损失，而不是单纯拟合单步嵌入
5. 推理约束：天然自带保体积性质，不受模型参数、输入动作序列影响

LeHami 实测效果汇总表

这项工作的定位结论

它不是推翻 JEPA，而是给 JEPA 世界模型补上物理几何约束，把哈密顿系统的守恒特性和自监督表征学习结合起来。靠数学结构给出推理时的保证，和表征正则化手段互相补充，更适合机器人、物理仿真这类需要做长期轨迹预测、状态规划的场景，也是 LeCun 路线里世界模型向物理一致性方向推进的一个新尝试。

【相关 FAQ】

问题 1：LeHami 引入哈密顿力学到 JEPA，最核心的创新点是什么？

回答 1：LeHami 引入哈密顿力学到 JEPA，最核心创新是将相空间 (q,p)、保辛蛙跳积分嵌入 JEPA 预测流程，从底层机制阻止隐空间分布收缩，让 JEPA 世界模型具备物理守恒属性，而不是只靠数据拟合。

问题 2：LeCun 转发 LeHami 这篇哈密顿力学 JEPA 论文，代表什么方向？

回答 2：LeCun 转发 LeHami 这篇哈密顿力学 JEPA 论文，代表 JEPA 世界模型的研发方向开始大量融合经典物理几何结构，优先解决长时序推演的退化问题，面向机器人、物理交互场景做世界模型。

问题 3：LeHami 和其他 JEPA 变体在哈密顿力学的使用上有什么差别？

回答 3：其他 JEPA 变体很多只是借用哈密顿概念做正则，LeHami 是直接把 JEPA 的动态演化写成哈密顿流，每一步更新都是辛变换，保体积是内置数学性质，不是额外增加损失项。

问题 4：LeHami 这套哈密顿 JEPA 适合用在哪些任务里？

回答 4：LeHami 这套哈密顿 JEPA 适合物理环境仿真、机器人运动规划、视觉动态系统预测这类需要长时间轨迹 rollout、需要反向推演状态的任务，不适合纯文本类 JEPA 表征任务。

【参考资料】

[2026-10-11]（LEHAMI: SYMPLECTIC LATENT DYNAMICS FOR WORLD MODELS）arXiv

[2026-09-27]（Hamiltonian JEPA: Action-Conditioned World Models with an Inherited Control State）智源社区

[2026-06-27]（Joint Embedding Predictive Architecture）AI Wiki

【免责声明】

本文内容仅为科研论文信息解读，不构成技术落地、商业开发的实施方案建议；相关研究结论基于论文公开实验环境，在不同硬件、数据集、任务场景下效果存在差异；论文观点属于前沿 AI 研究，后续可能存在迭代修正。