信息层级：【有据可查】= 附官方文档或可信来源链接；【社区共识】= 社区用户普遍经验，未经官方确认；【待考察/推测】= 推测或暂未能核实，请谨慎对待。
📝 术语说明：用户原稿写作"jev"，并补充说明指"那个纯决策的模型类型"。本文按 JEPA（Joint-Embedding Predictive Architecture，联合嵌入预测架构）理解——这是 Yann LeCun 提出的非生成式架构，不生成内容、只在表征空间做预测，用于理解、规划和决策。若原意另有所指，欢迎指正。【待确认】
1. 一张总表
| 类别 | 输入 → 输出 | 核心机制 | 代表 | 你日常能接触吗 | 层级 |
|---|---|---|---|---|---|
| LLM | 文字（多模态版还收图/音） → 文字 | Transformer 自回归预测下一个 Token | GPT、Claude、DeepSeek、Qwen、GLM | ✅ 天天用 | 有据可查 |
| 扩散模型 | 文字提示 + 噪声 → 图片 | 多步去噪 | Stable Diffusion、FLUX 等 | ✅ 文生图 | 有据可查（DDPM，arXiv:2006.11239） |
| 视频生成模型 | 文字/图片 → 视频 | 多为扩散 + Transformer，兼顾时间连续 | Sora、Veo、Kling 等 | ✅ | 有据可查（产品存在） |
| JEPA | 观测（图/视频） → 表征与预测（不出图） | 在表征空间预测被遮住的部分 | I-JEPA、V-JEPA 2 | ⚠️ 研究/开发者向 | 有据可查 |
| 世界模型 | 当前状态 + 动作 → 下一状态 | 学习"环境如何演变" | Genie 3、V-JEPA 2-AC 等 | ⚠️ 少量预览 | 有据可查 / 定义有争议 |
| 决策/策略模型 | 状态 → 动作 | 强化学习、序列建模 | AlphaGo 类、Decision Transformer、VLA | ⚠️ 游戏/机器人 | 有据可查 |
| Bot / Agent | 用户请求 → 完成任务 | 应用层：模型 + 提示词 + 工具 + 记忆 | 客服机器人、Codex、OpenClaw | ✅ | 社区共识 |
2. LLM：会说话的"接龙高手"
原理见 大语言模型原理：Token、上下文、生成与幻觉。要点：它的"世界"是 Token 序列，所有能力（编程、推理、写作）都通过生成文字体现。
3. 扩散模型：从噪声里"雕"出图片
- 【有据可查】Stable Diffusion 类"潜空间扩散"（Latent Diffusion，arXiv:2112.10752）在压缩后的潜空间去噪，再由 VAE 解码成像素——这正是 ComfyUI 节点图里
KSampler → VAE Decode的来历（见 ComfyUI 入门：安装、节点、模型文件与第一张图）。 - 【社区共识】也有用自回归方式生成图片的模型；"文生图 = 扩散"是常见但不绝对的说法。
4. 视频模型：会动的扩散
- 在图片基础上多了时间维度：要保证人物、物体、光照在帧之间一致。
- 【有据可查】OpenAI 在 Sora 技术报告中把视频生成模型称为"世界模拟器（world simulators）"的一种尝试：Video generation models as world simulators。
- 【社区共识】但会画出"看起来真实"的视频，不等于理解物理——常见穿模、物体凭空出现。
5. JEPA（"jev"）与其他偏"决策"类模型
5.1 JEPA 是什么？
【有据可查】
- LeCun 在 2022 年的立场论文 A Path Towards Autonomous Machine Intelligence 中提出 JEPA，主张智能体应学习世界模型，在抽象表征空间里预测，而不是逐像素/逐词生成。
- I-JEPA（图像，arXiv:2301.08243）、V-JEPA 2（视频，arXiv:2506.09985、Meta 博客）。
- V-JEPA 2：约 12 亿参数，用超过 100 万小时网络视频自监督预训练；再用不到 62 小时机器人数据训练动作条件版本 V-JEPA 2-AC，在新环境中以"目标图片"规划机械臂抓取放置（零样本）。2026 年发布 V-JEPA 2.1（arXiv:2603.14482）。
白话：生成式模型被要求"把树叶每一片都画对"；JEPA 只被要求"知道那里会有一棵在风中摇摆的树"。后者把力气花在可预测的本质上，因此更适合做理解、预测和规划。【社区共识 / 研究观点转述】
它不能做什么：JEPA 本身不给你生成图片、视频或文章，普通用户不会直接"用"它聊天。它的价值在机器人、视频理解等方向。
5.2 其他偏"决策"的模型——和 JEPA 怎么区分？
| 类型 | 输入 → 输出 | 怎么学 | 代表 | 与 JEPA 的区别 | 层级 |
|---|---|---|---|---|---|
| 强化学习策略模型（Policy） | 状态 → 动作 | 试错 + 奖励 | AlphaGo / AlphaZero（Nature 2016） | 直接学"该怎么做"；JEPA 学"世界会怎样"，再交给规划器决定动作 | 有据可查 |
| Decision Transformer | (目标回报, 状态, 历史动作) → 下一个动作 | 把决策当序列预测，用离线轨迹训练 | arXiv:2106.01345 | 用 Transformer"接龙"出动作；不在表征空间预测未来 | 有据可查 |
| VLA（视觉-语言-动作） | 图像 + 语言指令 → 机器人动作 | 在视觉语言模型上加动作输出并用机器人数据训练 | RT-2（arXiv:2307.15818）、OpenVLA（arXiv:2406.09246） | 端到端输出动作，借 LLM 常识；JEPA 路线强调先学世界表征 | 有据可查 |
| 世界模型 + 规划器 | 状态 + 候选动作 → 预测结果 → 选最优 | 学环境动力学 | V-JEPA 2-AC、Dreamer 系列 | V-JEPA 2-AC 就属于这一类 | 有据可查 |
📌 "纯决策模型"这个说法：JEPA 本身是"学表征 + 预测"，决策由其上的规划模块完成；严格意义上"直接输出决策"的是策略模型/VLA。把 JEPA 称作"决策类"是对其用途的概括。【作者理解，待确认】
6. 世界模型：最容易被滥用的词
【社区共识】"世界模型"至少有三种用法：
| 用法 | 例子 | 是否可交互 |
|---|---|---|
| 机器人/强化学习中的环境动力学模型 | V-JEPA 2-AC、Dreamer | 内部使用 |
| 可交互的生成式虚拟世界 | Google DeepMind Genie 3（官方博客） | ✅ 可实时操控 |
| 营销说法：视频模型"理解物理世界" | 各视频产品宣传 | ❌ |
7. Bot / Agent：不是模型，是"组装好的应用"
同一个模型可以做成客服 Bot、编程 Agent、酒馆角色（SillyTavern 酒馆图解：连接、角色卡、世界书与提示词）——区别在外壳，不在模型。
8. 这几类之外：还有哪些模型？
| 类别 | 做什么 | 例子 | 层级 |
|---|---|---|---|
| Embedding 模型 | 文字/图片 → 向量，用于检索、聚类 | 各家 embedding API | 有据可查 |
| 重排序 Reranker | 给检索结果重新打分 | RAG 系统常用 | 社区共识 |
| 语音识别 ASR | 语音 → 文字 | Whisper（arXiv:2212.04356） | 有据可查 |
| 语音合成 TTS / 音乐生成 | 文字 → 语音/音乐 | 各家 TTS | 社区共识 |
| 视觉识别/检测/分割 | 图片 → 标签/框/掩码 | YOLO、SAM 系列 | 社区共识 |
| 对比学习图文模型 | 图文对齐 | CLIP（arXiv:2103.00020），扩散模型的文本编码器常用 | 有据可查 |
| 科学模型 | 蛋白质结构、天气预测 | AlphaFold（Nature 2021） | 有据可查 |
| 推荐/排序模型 | 你刷到什么 | 各大平台 | 社区共识 |
| 时间序列预测 | 销量、负载预测 | 各类 | 社区共识 |
| 安全分类器 | 判断内容/操作是否危险 | Agent 的 auto 审批模式（Claude Code 使用：安装、权限与项目工作流/Qoder 使用：IDE、CLI、权限与自定义模型） | 社区共识 |
注意区分"类别"与"架构"：MoE（混合专家）、Mamba/SSM（arXiv:2312.00752）是架构，可以用来做 LLM；不是与 LLM 并列的"另一类模型"。【社区共识】
9. 本篇无法核实/需谨慎的点
- "jev"按 JEPA 理解（用户已补充为"纯决策的模型类型"），仍待原作者最终确认。
- "世界模型"无统一定义，各家宣传口径不同。
- 各闭源视频模型的具体架构：多数未公开。
- JEPA 路线能否在通用 AI 上超越生成式路线：学界有争议，属开放问题。
小白练习：把本文流程逐项走通
练习目标：按输入、输出和能力判断产品属于哪一层。
上文已介绍概念、配置和操作示例。下面侧重第一次实际操作时的顺序、检查点和结果核对；需要查具体参数时回到对应小节。命令逐条输入，看到上一条的结果后再继续。
-
看到一个新名字时先找官方模型卡或产品文档，记录它接受什么输入、产生什么输出。
-
分别标出文字生成、图像生成、表征预测和动作输出。能看图与能画图是不同能力。
-
再看它是模型权重、API 服务还是带工具的应用；Agent 和 Bot 属于应用层，不能直接等同于某个架构。
-
阅读世界模型宣传时，继续检查是否能交互、是否接收动作、是否有可复核的研究或演示。
-
把文中的研究结果、产品存在和作者评价分开记录；不要把一个版本的实验成绩当作整个类别的必然能力。