我们提出 Quantum-JEPA，一个基于潜在动作的 JEPA 框架，利用条件量子 Born 先验学习未来表征的分布。量子电路的测量产生二进制潜在动作，这些动作由共享预测器映射到不同的未来表征。先验通过采样能量目标（sampled energy objective）根据预测的质量和多样性进行训练。
在构造的多模态任务上，模型能够学习到截然不同的续写；在 D3IL 基准（包含多样的人类示例）上，模型从同一起点生成多条跨越障碍的路径，即使未观测到实际运动。
对比经典和量子先验实现，我们在预测有效性和分布保真度上均优于多种变分基线。量子先验的采样结构参数高效：它避免了指数级别的分类输出层，同时支持潜在动作之间的相关性。我们进一步验证了有限样本的参数移位训练（parameter‑shift），并在包含读取噪声的条件下完成训练。不同于多数仅在模拟环境验证的工作，我们在真实 QPU 上实现了推理，证明了量子先验的可行性。
这些结果表明，量子组件可以被端到端训练用于 JEPA 的未来预测，为大规模量子增强世界模型的研究提供了基础。
点评