近日，42 号电波专访了 INTACT 框架第一作者、浙大博士生孙俊涵。论文 7 月 28 日发出，图灵奖得主杨立昆在 X 上点了赞。杨立昆是 JEPA 的提出者。

INTACT 解决的问题，得从 JEPA 路线的硬伤说起。

JEPA 能预测下一帧状态，但要生成动作得靠搜索。代表模型 LeWM 每次决策评估 9000 条候选序列，单次推理 1.48 秒。这个搜索税太重了。专访里孙俊涵说得很直接：「LeCun 的 World Model，用状态加动作预测下一帧，但这个 predictor 在我眼里跟 Dreamer 的 decoder 是一回事，都是生成器。他没有真正把 encoder-encoder 架构的优势用起来。」

INTACT 的做法是：用一个共享算子同时处理「刚刚发生了什么」和「接下来要达成什么」，把物理意图和目标意图对齐到同一个动作语义下。结果是不需要搜索，直接输出动作。

数据有点反直觉。零搜索直接输出，宏平均成功率 95.33%。全套 CEM 搜索（300 条候选 × 30 轮迭代 = 9000 次），93.78%。不搜比搜还高 1.5 个百分点。推理从 1.48 秒降到毫秒级。

Cube E5 基准 300 次同起点审计更能说明问题。INTACT 零搜索 98.7%，LeWM 全搜索 67.0%。差了 31 个百分点。

专访里还问到一个细节：是不是所有任务都不需要搜索？孙俊涵的回答比论文结论更细致。接触密集型任务（比如 PushT 推块）确实能从局部搜索中受益，小范围验证把成功率从 85.78% 拉到 92.33%。但连续控制任务（比如 Reacher）正好相反，搜索范围放大反而暴跌 13 个百分点，从 97.67% 掉到 84.78%。

团队跑了一个 576 种规划器配置的审计矩阵。结论是：搜索不是不需要，而是大部分场景在帮倒忙。最优配置叫 Guarded A，只做 128 条候选 × 3 轮 = 384 条，是全套 CEM 的 4.27%，宏平均 96.86%，比纯 CEM 高 16 个百分点。孙俊涵的原话：「模型要有搜索的能力，但不代表一定要用。少搜、不搜，才是该去的方向。」

INTACT 的设计里有个非对称梯度机制，训练时物理意图分支和目标意图分支共享编码器但梯度不对称。专访里孙俊涵用了一个比喻解释这个设计：「若高三目标是清北，不能因为太辛苦中途把目标改成别的学校。容易了，但不是一开始想去的那个地方。」意思是不能因为训练容易就降低目标精度。

编码器消融实验验证了 INTACT 不只是预测器厉害。禁用动作器、纯靠 CEM 搜索的情况下，仅加物理逆监督 + 目标意图监督 + 降低 SIGReg，PushT 成功率从 42.22% 涨到 69.44%，全程没用 INTACT 预测器。共享编码器本身学到了更好的表征。团队还让一个 ViT-Tiny/14 编码器同时处理 4 个任务，每个任务只留小任务特定头，五轮训练后宏平均直接控制成功率 89.39%。

专访里我们追问了工业部署进展。孙俊涵确认团队内部已经在真实机器人上跑通，范围超出了论文里四个仿真 benchmark。在 RoboParty Lab 的技术版图里，INTACT 定位是 World Action Model，长期目标是逐步接替 VLA。

孙俊涵在专访最后给了一个判断：「INTACT 这种架构会是比 VLA 更好的未来，它真正理解语义。VLA 的语义理解和动作生成是脱节的。只有当自己能想出指令、身体能适应指令的时候，才是最好的。」

完整专访内容见 42 号电波公众号。

INTACTJEPA世界模型机器人大模型