近日，千里智驾联合电子科技大学、东南大学、北京邮电大学、天津大学发布并开源世界—动作模型WA-JEPA，为自动驾驶模型如何理解场景、预测未来并生成驾驶动作，探索了一条新的技术路径。
当前，部分自动驾驶世界模型通过生成未来视频来学习环境变化。这类方法能够呈现直观的未来画面，但也需要投入大量计算资源还原纹理、光影等视觉细节。WA-JEPA没有把“生成逼真的未来画面”作为目标，而是基于V-JEPA的视频语义表征能力，在高维隐空间中预测道路结构、交通参与者关系及运动趋势等与驾驶规划更相关的信息。
针对原始V-JEPA并非为自动驾驶规划设计的问题，WA-JEPA进行了三项关键改造：首先，通过未来掩码预训练，让模型根据历史画面推演尚未发生的场景变化；其次，引入条件流匹配，学习未来表征从噪声到目标状态的变化过程，降低确定性回归容易产生“平均化预测”的问题；最后，将未来场景表征与自车动作放入同一预测器中联合生成，让模型在预测世界变化的同时规划车辆轨迹。
WA-JEPA整体包含约4.81亿个可训练参数，在世界模型研究中保持了相对紧凑的规模。其第一阶段训练只需连续驾驶视频，不依赖目标检测、语义分割等额外人工感知标注，有助于更充分地利用大规模驾驶数据。
在论文采用的统一评测协议下，WA-JEPA在NAVSIM-v2开环规划基准中取得91.7EPDMS，较对比实验中的最强端到端基线和最强世界—动作模型基线分别提升1.6和1.3。在HUGSIM的436个闭环场景中，模型未经针对性训练或微调，取得0.4462HD-Score，为同一复现协议下的最佳结果，展现出一定的零样本迁移能力。
目前，千里智驾已同步开放论文、代码、模型权重及评测流程，希望为世界—动作模型在自动驾驶领域的复现、比较与后续研究提供公开基线。
