视频世界模型对隐藏物体保留了什么：V-JEPA 2 追踪能力研究

研究将物体从冻结的 V-JEPA 2 预测器中隐藏，对比其对隐藏区域的预测与编码器对两个仅该区域不同世界的表征。预测器部分保留静止物体，对容器内携带的物体完全不保留，运动物体在 0.3 秒内丢失（V-JEPA 自带 tube mask 下为 0.5 秒；ViT-H 在预训练 90% 掩码率下可保持 1.1 秒）。