【arXiv preprint 2026】JEPA-VLA：视频预测嵌入，为 VLA 补上缺失的视觉知识｜从具身智能世界模型视角本文解读 arXiv preprint 2026 论文《JEPA-VLA: Video Predictive Embedding is Needed for VLA Models》（清华大学 THUML × 华为诺亚方舟实验室，通讯作者龙明盛）。该论文提出JEPA-VLA，通过把冻结的视频预测嵌入 V-JEPA2 接入现有视觉语言动作模型（VLA），同时补上环境理解与策略先验两种关键视觉知识，其特别之处在于只加一个线性投影或几个门控交叉注意力层、无需任何世界模型训练数据。实验表明LIBERO 平均成功率