世界模型研究的核心难题——「如何规划」——有了一个新答案。Yann LeCun领导的Advanced Machine Intelligence（AMI）实验室与多所学术机构联合发布H-JEPA，一种端到端学习的分层世界模型架构，能让模型在不同时间尺度与抽象层级上同时预测和规划。论文已提交arXiv，模型权重同步在HuggingFace开源。
先交代人物与路线背景。LeCun是深度学习的奠基者之一，图灵奖得主，多年来公开主张「生成式LLM不是通往自主智能的路」，转而押注JEPA（联合嵌入预测架构）路线：不逐字预测表面细节，而是在抽象表征空间里预测「世界会怎样变化」。他从Meta核心AI团队转向AMI实验室后，这条路线的落地速度明显加快——此前开源的RoboJEPA面向机器人跨形态表征，而H-JEPA直指世界模型的核心短板。
H-JEPA解决的是什么问题？平坦结构的世界模型有个先天缺陷：只能做短时程、单尺度的预测，规划稍长的任务就会「近视」——要么在错误方向上浪费算力，要么过早停止。H-JEPA的解法是分层：高层世界模型捕捉长远目标的粗粒度走向，做战略级规划；低层模型负责具体动作序列的执行细节；不同层在不同时间尺度上同时学习和预测，且整个体系可以端到端训练，不需要人工设计层级。
实验结果支撑了设计意图：在四个仿真导航与操控环境中，分层规划均优于单层JEPA基线，长时程任务的优势尤其明显。开源权重意味着学术界可以直接在其上做复现和扩展。
与RoboJEPA的关系值得说清楚：两者同属JEPA家族但分工不同——RoboJEPA解决的是「跨机器人形态的统一世界表征」，让一个模型理解不同机器人的身体；H-JEPA解决的是「在表征之上如何规划」，从感知走向决策。两个模块拼在一起，正是LeCun设想的自主智能体架构的两大件。
这项工作对行业的意义在于，世界模型路线正在从概念验证走向体系化。如果分层规划的能力被反复验证，世界模型在机器人、自动驾驶等长时序决策场景的落地速度会加快；对LLM阵营而言，JEPA路线每前进一步，都为「后大模型时代」的技术选型多提供一个参照系。下一步值得跟踪的是H-JEPA在真实机器人而非仿真环境中的表现。