备受Meta审核规定“折磨”，依旧猛发论文！

表示可能要辞职的LeCun带着最新研究来了，仍然和三位FAIR同事合作。

Yann LeCun团队新论文发现了自监督模型JEPAs（联合嵌入预测架构）的隐藏技能——

学会了数据的“密度”。

这里的“数据密度”可以理解成数据的常见程度：密度高的样本是更典型、更常见的数据，密度低的是少见的、甚至异常的数据。

JEPAs原本被视为仅擅长特征提取的模型，这次LeCun团队发现该模型在训练过程中悄悄掌握了感知数据常见程度的能力。

这就意味着，只要JEPAs训练成功了，不用额外做什么，就能用它来判断一个样本的常见程度。

打破了学界长期以来“JEPAs仅学特征、与数据密度无关”的认知。

核心发现：反坍缩能精准学习数据密度

要理解这一新发现的突破，首先来说一下JEPAs。

源自《A Path Towards Autonomous Machine Intelligence》图12

JEPAs作为LeCun团队近年重点推进的自监督学习框架，核心优势在于无需人工标注，模型就能自主从海量数据中学习特征规律，学完后就可以直接适配图像识别、跨模态匹配等下游任务，是AI领域高效学习的代表性模型。

此前学界普遍认为，JEPAs的训练只有两个核心目标：

而论文的新发现就是从反坍缩中得来。

如果所有数据的特征都一样，模型相当于白学，所以过去大家都将反坍缩单纯视为避免特征失效的保障手段，没有意识到它还有更深层的作用。

LeCun团队就聚焦于反坍缩的的隐藏价值，研究通过变量替换公式与高维统计特性推导证明，反坍缩不仅能防止特征坍缩，更能让JEPAs精准学习数据密度。

从理论层面看，当JEPAs输出高斯嵌入（高维空间中近似均匀分布于超球面的特征）时，模型必须通过雅可比矩阵（反映模型对样本微小变化的响应程度）感知数据密度，才能满足训练时的约束条件，这意味着学习数据密度并不是偶然，而是JEPAs训练过程中的必然结果。

为了让这种隐藏的密度感知能力落地实用，团队还提出了关键工具JEPA-SCORE。

这是从JEPAs 中提取数据密度的量化指标，核心作用就是给样本的常见度打分。

根据公式来看计算逻辑简洁高效，只需要获取JEPAs处理目标样本时的雅可比矩阵，计算矩阵的特征值后取对数求和，得到的结果就是JEPA-SCORE，分数越高说明样本越典型（数据密度高），分数越低则样本越罕见或异常（数据密度低）。

更重要的是，JEPA-SCORE还具备极强的通用性，无限制适配，既不挑数据集，也不挑JEPAs架构。

无论是ImageNet、手写数字MNIST，还是未参与预训练的陌生数据（星云图集），都能精准计算；

不管是I-JEPA、DINOv2（单模态视觉模型），还是MetaCLIP（多模态模型），只要是成功训练的JEPAs家族模型，都能直接使用，且无需额外训练模型。

为了验证这一发现的可靠性，团队还开展了多组实验。

在ImageNet数据集中，不同JEPAs模型对典型样本（如飞行姿态的鸟类）和罕见样本（如栖息姿态的鸟类）的JEPA-SCORE判定高度重合，证明这是JEPAs的共性能力，并不是某个模型的偶然；

面对未参与预训练的星系图像数据集，其JEPA-SCORE显著低于ImageNet数据，说明模型能精准识别陌生数据；

而在数据筛选和异常检测的实用测试中，JEPA-SCORE的效果也优于传统方法。

数据筛选场景

异常检测场景

研究团队

此次研究并非LeCun一人之功。

另外三位核心研究者也都是Meta FAIR的研究员。

Randall Balestriero是布朗大学计算机科学助理教授，长期深耕人工智能与深度学习领域。

2013年起研究可学习信号处理，他参与的技术曾用于NASA火星车火星地震探测。

2024年获莱斯大学博士学位，后进入Meta AI做博士后，师从Yann LeCun。

Nicolas Ballas拥有法国格勒诺布尔大学博士学位。

2010年4月至9月，他担任了LTU Technologies的研发实习生，从事应用于图像检索的大规模聚类相关工作。

自2017年起，他在FAIR担任研究科学家，已任职超过8年。

Michael Rabbat是FAIR的创始成员，拥有伊利诺伊大学厄巴纳-香槟分校的工程学士学位、莱斯大学的工程硕士学位，以及威斯康星大学麦迪逊分校的电气工程博士学位。

他的研究方向聚焦于优化算法、分布式算法及信号处理三大领域。

加入Meta之前，Mike曾担任麦吉尔大学电气与计算机工程系教授。

论文地址：

https://arxiv.org/abs/2510.05949