在强化学习中，利用多模态观测学习表征面临交互数据稀缺的挑战。已有的多模态联合预测表征（Multimodal Joint Predictive Representation）通过跨模态对比学习实现潜在预测，但其递归 rollout 依赖于先前的预测，且配对对齐仅关注模态之间的对应关系。为此我们提出改进的预测表征（Improved Predictive Representation，IPR），它在观测锚点上结合动作前缀预测与对比多模态对齐。具体做法是在每个预测时域 $h$，直接从当前观测锚点 $z_t$ 与对应的动作序列 $a_{t:t+h-1}$ 预测未来表征：
$$\hat{z}_{t+h}=f(z_t, a_{t:t+h-1})$$
我们设计了两种裁剪配置：IPR‑S 保留最小裁剪面积 10%，IPR‑H 保留 50%。在 DeepMind Control Suite 的五个任务上，IPR‑H 在使用视觉+深度图像的基线上提升平均回报 10.0%，在使用视觉+位置向量的基线上提升 3.4%。两种配置的相对表现随任务而异。Webots 实验表明，在未使用 LiDAR 的情况下，两种 IPR 配置均获得更高的最终平均回报，但在提供 LiDAR 时优势消失。
点评