不同模态上训练的模型会不会学到同一套世界表征，是多模态研究的核心问题。柏拉图表征假说猜想它们会随规模收敛，但没有证明，既无保证也无配方。这篇论文把假说写成定理：分别训练的JEPA在「好视角」下学到至多差一个旋转的同一表征；下一词预测则被解释成差视角JEPA，因而与视觉对齐依赖规模。

定理约束的是正对，不是联合训练

柏拉图表征定理说：在任意数量模态上独立训练联合嵌入预测架构（JEPA），只要正样本对是同一场景的两次观测（好视角），表征相同、至多差一个旋转；否则错位有界。定理不要求多模态一起训，只要求正对来自同一场景。

下一词预测被放进同一框架：它仍是JEPA，正对却是同一文档的片段，属于差视角。材料用这一点解释语言模型为何通常要靠做大才能与视觉对齐——规模在补视角，而不是对齐本身的充分条件。

样本效率与对齐数字

验证从14.5万条caption做到9.4亿张网络图像对应文本，并对齐存在缩放律，对未见训练run的预测落在种子噪声内。同一语料上，好视角达到同等对齐所需样本约为下一词预测的四十二分之一。1.09亿参数文本JEPA与DINOv2、CLIP图像编码器的对齐，优于评测过的全部语言模型（最大720亿），也优于CLIP文本编码器。材料称下一词预测通往该表征显著低效。一次旋转把分别训练的编码器接成图像描述器，COCO CIDEr为0.838。摘要末句不完整，不引用。

我的判断

价值是把跨模态对齐收成可检验的正对条件，四十二倍样本差足以改实验优先级。边界要写死：结论绑定JEPA与文中好/差视角，不能外推到任意自监督或生成目标；优于720亿模型只指与特定视觉编码器的表征一致，不是语言能力全面更强；CIDEr 0.838只说明旋转接口可工作。若目标是表征重合，好视角JEPA值得对照下一词预测；若目标是通用语言能力，材料没有提供替代理由。