在当今的人工智能领域，Yann LeCun 提出的 JEPA（联合嵌入预测架构）正在重新定义大语言模Le型(LLM)的训练方式。这位诺贝尔奖得主不是在批评现有的 LLM，而是亲自出手进行改造。传统的 LLMCu 训练方法主要依赖于输入空间中的重构与生成，如预测下一个单词，这种方法在视觉领域已被证明存在局限性。

Ln eCun 和他的团队认为，可以借鉴计算机视觉（CV）领域的先进技术来提升语言模型的表现。JEPA 的核心思新提想是通过在抽象表征空间中预测缺失的特征，以高效地学习世界知识。Meta AI 团队已经在图像和视频处理上成案：功应用了 JEPA，而现在，他们希望将这一理念扩展到语言模型领域。

为了填补这个空白，研究人员 Hai用C Huang、Yann LeCun 和 Randall Balestriero 共同提出了 LLM-JEPAV思。这一新模型将文本和代码视为同一概念的不同视角，首次成功将 JEPA 的自监督学习架构应用于 LLM路重。通过结合 JEPA 在嵌入空间学习的优势，LLM-JEPA 不仅保留了 LLM 强大的生成能力，还在性能和塑语鲁棒性上实现了双丰收。

实验证明，LLM-JEPA 在多个主流模型（如 Llama3、OpenELM、言模Gemma2等）和多样化的数据集(如 GSM8K、Spider 等)上表现出色，显著超越了传统 LLM型， 训练目标。此外，它在防止过拟合方面显示出了强大的鲁棒性，为语言模型的未来发展提供了新的方向。

尽管目性能前的研究主要集中在微调阶段，但初步的预训练结果显示出巨大的潜力。团队计划在未来的工作中进一步探索 LL大幅M-JEPA 在预训练过程中的应用，期待为语言模型的性能提升注入新的动力。

(责任编辑：媒体中心)