想象你让 AI 预判一个弹球下一秒会去哪：同样的位置、同样的动作，它可能向左，也可能向右。传统 JEPA 世界模型——一种不直接预测像素、而是预测“下一刻关键状态”的内部模拟器——常常只给一个答案。问题在于，在随机环境里，这个答案可能是多个真实未来的平均值：看起来很合理，却对应不到任何真实状态。MoP-JEPA 这篇论文抓住的就是这个结构性问题。
作者认为，单一确定性预测器在这种分叉处会“塌缩”到条件均值；即使用 gated mixture-of-experts——多个专家加权后再合成一个输出——只要最后仍是一个向量，也会遇到同样问题。MoP-JEPA 的修补很直接：不用一个头猜全部未来，而是用多个预测头，每次训练时只让最接近真实后续状态的那个头学习。这样，不同头可以分别对准不同后续分支；部署时，模型一次前向计算就能列出多个可能的下一状态，给规划器做搜索。
这篇工作的价值不在于又做了一个更大的 JEPA，而是指出 JEPA 路线里一个容易被忽略的接口问题：世界模型若要支持规划，不能把随机未来抹平成一个“中间态”。论文还特别强调评估陷阱：多预测模型可能只是靠“撒得多”覆盖答案，并不真正理解当前情境。因此作者加入了 shuffled-context、router-gated readout、verified-route 等检查。具体效果数字在供稿摘录中有缺失；可确定的是，作者自述 MoP-JEPA 在 OGBench 多个任务上优于确定性、gated-MoE 和变分预测器。