Die am 17. September 2026 eingereichte Arbeit stellt JEPA-Anything vor, ein domänenübergreifendes Verfahren zur Modellierung dynamischer Systeme. Es basiert auf orthogonaler prädiktiver Faktorisierung (OPF), einer Erweiterung von Joint-Embedding Predictive Architectures. Dabei werden latente Zielrepräsentationen in ergänzende Faktoren zerlegt, über getrennte Pfade gelernt und anschließend in einem gemeinsamen Vorhersagemodell zusammengeführt.
Die Forschenden untersuchten das Verfahren in sieben Bereichen: Bildverarbeitung, Biologie, klinische Verläufe, Steuerung, Molekulardynamik, physikalische Felder und Wetter. Die Experimente decken unter anderem Repräsentationslernen, Vorhersagen zu Eingriffen, Generalisierung auf unbekannte Situationen und langfristige Dynamik ab. Dazu zählen zehn vergleichbar zugeordnete Dynamik-Aufgaben, Prognosen für mehr als 1.000 klinische Ereignisse sowie Vorhersagen über 100 Zeitschritte in vier molekularen Systemen.
Im Vergleich zu den jeweils passend zugeordneten JEPA-Baselines verbesserte JEPA-Anything die berichteten Messwerte bei allen zehn Dynamik-Aufgaben. Bei der Vorhersage eines einzelnen Eingriffs in Interventional Pong sank der Fehler um 34,8 Prozent. Für alle vier untersuchten molekularen Systeme nennt die Arbeit die niedrigsten Fehlerwerte der verglichenen Methoden – sowohl für einen als auch für 100 Zeitschritte.
Die Arbeit berichtet zudem über Ergebnisse jenseits von Vorhersagen: Ein durch einen Faktor bestimmter biologischer Eingriff erhielt experimentelle Unterstützung in Zell-Co-Kulturen, patientenabgeleiteten Organoiden, Tumorfragmenten und Mäusen. Außerdem rekonstruierten die Forschenden aus latenten orbitalen Moden den Kepler-Skalierungsexponenten; die angepasste Steigung lag bei -1.4991. Die Ergebnisse stützen nach Einschätzung der Autorinnen und Autoren ein gemeinsames faktorisiertes Vorhersageprinzip für unterschiedliche Systeme. Der Beitrag ist auf arXiv veröffentlicht.