Naukowcy z międzynarodowego zespołu opracowali JEPA-Anything, ramę do budowania modeli światów dla praktycznie dowolnej dziedziny nauki bez konieczności tworzenia dedykowanego modelu dla każdego zagadnienia.
Tradycyjne podejścia takie jak I-JEPA czy V-JEPA 2 operują jednym predyktorem generującym monolityczne embedding docelowe. Problem w tym, że struktury o wysokiej wariancji dominują nad słabszymi wzorcami, powodując konfliktujące gradienty podczas treningu. JEPA-Anything rozwiązuje to poprzez Orthogonal Predictive Factorization - metodę, która dzieli przestrzeń latentną na K odrębnych podprzestrzeni (najczęściej 4), każda z dedykowanym predyktorem. Predykcje z poszczególnych czynników są następnie recombinowane za pomocą pseudoinwersji Moore'a-Penrose'a, tworząc kompletny stan latentny do dekodowania, planowania lub rolloutów.
Badacze przetestowali ten universal framework na 7 różnych domenach: wizji, biologii, trajektoriach klinicznych, sterowaniu robotami, dynamice molekularnej, polach fizycznych i prognostyce pogody. Wyniki pokazują, że jeden algorytm z trzema regularyzatorami (ortogonalności, aktywności czynników i zbilansowania zasobów) poradził sobie we wszystkich przypadkach. To otwiera drogę do bardziej modułowych i skalabilnych podejść w modelowaniu złożonych systemów dynamicznych.