同样踩一脚油门，车换到湿滑路面后，反应可能完全不同。AI 也会遇到这种麻烦：环境的运行规律一变，原先学会的行动后果就不再可靠，规划随即失准。JEPA-TTT 要解决的正是这种“世界变了，模型却还按旧经验推演”的问题。
它建立在 JEPA——一种不逐像素描绘未来、只在压缩后的特征空间预测关键变化的世界模型——之上。部署后，模型利用刚执行的动作和随后看到的结果，自监督地更新动力学预测器；视觉编码器和任务评分模块保持不动。更关键的是，这些更新不会在每轮结束后清零：系统把不同时间位置的经验存入不断增长的回放池，跨回合持续学习。作者称，在四个连续控制环境的八种动力学变化中，该方法均改善了规划；经过 500 个测试回合，潜在状态的连续预测误差平均下降 83%，规划表现较冻结模型提高 153%。这些结果仍来自论文作者的受控实验，尚不能说明它能应对任意现实变化。