想象机器人面对一桌散落的物体：传感器看到的不是照片，而是一群勾勒表面的三维小点。换个角度，点会变；物体还会互相遮挡。更麻烦的是，场景里真正随动作移动的点可能极少，模型很容易只记住不动的背景。这篇论文追问：原本多用于图像的JEPA，换成点云后还能不能规划？JEPA不生成下一帧，而是预测机器人执行某个动作后，内部数字表示会怎样变化；规划器再在这个“潜空间”里试演动作。
作者把三类动作条件JEPA迁移到点云，并用模拟距离传感器重新采集四个既有基准，使动作、任务和轨迹保持不变，只更换观察方式。各场景中，移动物体仅占点数的0.3%至15%。据作者报告，三类模型都没有表示坍塌；其中Point-LeWM在全部基准上与重新评测的图像版本达到统计等效，物体位置也几乎可从内部表示中线性读出。最有意思的是，这说明潜空间规划未必依赖规则排列的像素，即使几何观察稀疏、无序且有自遮挡，模型仍可能抓住少数真正会动的点。不过，实验使用的是理想化模拟传感器；未见于训练的距离噪声会击败点数最少的场景，现实部署仍需验证。