H-JEPA开源刷屏：LeCun的两个”留白”，恰是五一视界的落点
10月初，Yann LeCun创办的AMI Labs联合纽约大学、巴黎INRIA和布朗大学，发布分层世界模型H-JEPA，论文、训练代码与预训练权重全部开源。没有发布会，也没有预告。
H-JEPA解决的是世界模型走向物理AI的核心难题：让AI既看得远，又做得细。它将多个JEPA逐层堆叠，高层在抽象表征空间规划远期目标，再把中间状态作为子目标交给低层，逐级细化成可执行动作。在Visual AntMaze仿真迷宫任务中，三层H-JEPA成功率达73%，单层模型仅为18%，规划算力消耗还更低。
比成绩更值得琢磨的，是论文自己标注的两个”留白”。一是验证环境：成绩全部来自四个仿真导航与操作环境，真实机器人数据只用了DROID视频做离线规划，真机闭环部署被列为未来工作。二是数据：Push-T任务上，层级加到三层、四层，性能不升反降，论文归因于短轨迹限制了高层可用的训练数据。
两个留白翻译成产业语言，就是具身智能的两道老坎：从实验室到真实现场的”最后一公里”，以及高质量轨迹数据的稀缺。论文碰到的问题，行业每天都碰到。当模型竞赛走向落地竞赛，真正卡住大家的，是模型之外的验证闭环和数据供给。
行业里早就开始补这两个缺口了。过去一年多，具身智能公司的工程资源很大一块砸在两个环节上：真机验证和数据产线。训练数据服务端的海天瑞声、检测验证端的中国汽研等上市公司，都在各自环节做这件事。
五一视界是其中把两件事做成完整闭环的一家。这家定位”模型+仿真+数据”三位一体的世界模型公司，8月发布的AperOne具身应用闭环平台已在园区、场馆、电站、矿山、工厂等场景落地验证，公司预计年内助力近百家客户实现千台级具身部署，针对的是”实验室到真实现场”的问题；同场发布的AperData具身数据底座，交付数据的轨迹物理一致性达99%，同等成本下效率较传统真机遥操作提升10倍以上，补的是高质量轨迹数据这块短板。
H-JEPA证明的是方向：分层世界模型能规划更远的未来。而它自己坦承的局限说明，从论文里的仿真迷宫到工厂里的机器人”上岗”，中间还隔着验证与数据两道坎。谁能填上这两道坎，谁就把世界模型的故事讲成了生意。
