ATLAS 在 LeWM 中同时保留关系几何与校准潜变量分布，在 PushT、TwoRoom 与 OGBench-Cube 上提升目标达成成功率，TwoRoom 高新颖度回合增益最大

作者发现潜世界模型可能在编码器中保留有用的分布外信息，但在规划器实际使用的潜变量中丢失该信号，从而暴露了防坍缩正则化与规划相关几何保持之间的差距。 此前工作如 SIGReg 通过约束潜变量边缘分布来防止表示坍缩，但并未规定哪些状态应保持接近或远离；本文用基于训练特征库的 k 近邻新颖度分数作为诊断，显示 LeWM 中该信号从 patch 表示到规划潜变量显著减弱。 在 PushT 上，失败预测 AUROC 从编码器表示中的 0.76 降至规划潜变量中的 0.44，低于随机水平；TwoRoom 与 OGBench-Cube 上规划潜变量分别为 0.55 与 0.49，均低于 patch 锚点与真实状态 oracle。

作者提出 ATLAS，一种同时保持规划相关关系几何并校准全局潜变量分布的训练目标。 ATLAS 将编码器均值池化 patch 特征的归一化成对距离迁移到规划潜变量，并用 WEMReg 通过一维 Wasserstein-2 传输匹配随机投影边缘到标准高斯；与 LeWM 的 SIGReg 有限频率匹配相比，WEMReg 惩罚每个投影分位数残差。 理论分析给出定理 1 说明有限频率匹配存在非高斯模糊性，命题 2 说明关系保持与边缘校准施加非冗余约束；在 LeWM 上实例化，使用相同架构、数据与规划器，仅替换边缘正则化并加入关系保持。

作者将表示失真与预测误差联系到有限候选规划稳定性，并给出候选选择在锚点几何下的后悔界。 定理 3 将预测损失、关系目标与 WEMReg 分别对应到终端预测误差、几何失真与潜变量尺度失配，并给出 k 近邻新颖度分数在规划与锚点表示之间的差异界。 证明在附录 C.1 给出，假设包括有限候选集与有界潜变量尺度失配；该分析针对评估池与有限候选集，小训练损失本身不控制未见状态上的误差。

在 PushT、TwoRoom 与 OGBench-Cube 上，ATLAS 在低与高新颖度评估子集上均提升平均目标达成成功率，其中 TwoRoom 高新颖度回合增益最大。 与最接近的受控比较 LeWM 相比，ATLAS 使用相同 JEPA 风格编码器-预测器设置，仅改变训练目标；消融显示 WEMReg 与 OOD-recovery 约束不同表示属性，但下游收益不一定可加。 TwoRoom 上 ATLAS 从 LeWM 的 ID 成功率提升到，OOD 从提升到；PushT 与 OGBench-Cube 增益较小；每个任务每个评估种子评估回合，报告五个种子的均值与标准差。

ATLAS 作为训练目标可直接用于其他 JEPA 风格潜世界模型，适用于离线数据训练、测试时使用有限候选 CEM 规划的目标条件任务；其理论保证针对评估池与有限候选集，方法在 LeWM 上实例化，评估覆盖 PushT、TwoRoom 与 OGBench-Cube 三个任务，使用相同架构、数据与规划器，因此最直接的适用场景是类似设置下的潜世界模型规划。

理论保证针对评估池与有限候选集，小训练损失本身不控制未见状态上的误差；关系保持与边缘校准的收益在不同任务上并不一致，消融显示二者下游收益不一定可加；DINO-WM 在 TwoRoom 上表现更好但使用外部预训练编码器，并非受控目标级比较；PCA 可视化仅为二维投影，作为定性支持而非直接度量；若读者仅阅读摘要，可能无法看到消融与诊断的细节，需查阅附录以了解完整设置与数值。