但像素级生成也带来难以回避的短板。模型需要耗费大量算力去学习纹理、光影、路面污渍等大量和驾驶决策无关的视觉细节。车辆做规划，真正关心的并不是路边树木的纹理，而是行人什么时候横穿马路、前车是否会减速、周边车辆的行驶意图。大量计算资源被消耗在像素渲染上，带来推理成本高、预测易失真的问题。

原始 V-JEPA 架构凭借视频语义掩码预训练，擅长提取视频高维隐表征，无需重建像素即可学习场景时序规律。但原生 V-JEPA 并非面向自动驾驶规划任务设计，无法直接完成交通参与者运动预测和自车轨迹输出，难以落地到驾驶决策环节。WA-JEPA 正是针对这一痛点，对 V-JEPA 范式进行重构，打造原生面向自动驾驶的世界 - 动作模型。

第二，引入条件流匹配机制。传统确定性回归方法容易出现预测 “平均化” 问题，面对多模态交通场景，比如行人可能走也可能停，模型会输出一个折中、保守的预测结果。条件流匹配学习未来表征从噪声到真实目标状态的演化过程，更好地捕捉交通场景中的多可能性，提升不确定性场景下预测的真实性。

第三，世界表征与驾驶动作联合预测。模型使用同一个预测器，同时输出未来场景表征和自车行驶轨迹。不同于 “先预测环境、再单独规划路径” 的串行方案，环境变化预判和车辆动作规划同步完成，让规划动作天然感知环境未来的演变趋势，打通世界模型到驾驶决策的链路。

在模型体量上，WA-JEPA 仅有约 4.81 亿可训练参数，在世界模型领域属于紧凑规模。模型第一阶段训练仅需要原始连续驾驶视频，不需要目标检测、语义分割这类昂贵的人工标注数据，可以充分挖掘海量无标注路采数据，大幅降低自动驾驶世界模型训练的数据门槛。

开环指标验证模型单步规划轨迹的合理性；闭环仿真则更贴近真实行车，模型根据输出轨迹持续和仿真环境交互，一旦预判失误就会触发碰撞等危险事件。零样本条件下闭环评测夺冠，意味着 WA-JEPA 学到的是通用的交通场景演化逻辑，不是对测试场景的过拟合记忆，具备跨场景迁移潜力。

千里智驾同步对外释放 WA-JEPA 全套成果，包含学术论文、源代码、模型权重以及完整评测流程。整套材料全部开源，学术界和产业界研究者可以直接复现实验结果，也能基于该模型继续迭代，方便行业横向对比不同世界模型方案的优劣。

这套开源方案，为产业探索轻量化、低成本、强泛化的自动驾驶世界模型提供了新的参照范式。随着后续持续迭代，这类世界 - 动作模型，有望推动端到端自动驾驶从 “感知当下” 迈向 “理解并预判未来”。