只看画面，机器人可能觉得“杯子到了目标位置”就算成功，却没弄清它是被什么动作推过去的、当前姿态是否真能继续操作。JEPA（Joint-Embedding Predictive Architecture）正有这个隐患：它不生成未来画面，只预测压缩后的内部表示，计算更省，却可能漏掉控制所需的物理信息。这项工作给 JEPA 世界模型——机器人用来预演动作后果的内部模拟器——补了两道约束。
第一道是逆动力学：根据前后状态反推动作，迫使内部表示记录“怎么动”；第二道是状态对齐：让连续两帧的表示对应机器人的真实物理状态与运动。物理状态只在训练时提供，部署后仍完全在潜表示中规划。作者在四项任务、每项 50 组固定起点与目标上测试；加入状态对齐后，成功率均高于仅用逆动力学，其中 TwoRoom、PushT 和 OGBench-Cube 分别达到 100%、98% 和 87%，Reacher 为 85%，与 LeWorldModel 的 86% 接近。结果来自论文作者报告，代码与评测配置尚待论文接收后发布。