تسعى الأبحاث الحديثة في مجالات الذكاء الاصطناعي (AI) إلى تحسين فعالية نمذجة البيئات والتخطيط للأفعال بشكل شبه تلقائي. وفي هذا السياق، تم الكشف عن LeWAM، وهو نظام متكامل يعتمد على بنى JEPAs (Joint-Embedding Predictive Architectures). يهدف LeWAM إلى تقديم نماذج عالمية متكاملة دون الحاجة إلى إعادة بناء البيكسلات، عبر نموذج تدريبي مشترك يحقق دقة عالية في توقع الحالات التالية وتطابق تدفق الأفعال.

من خلال استخدام قيود غاوسية متساوية (Isotropic Gaussian) في الحالة الكامنة، يصبح بالإمكان تنفيذ السياسات مباشرةً وتحسين التخطيط بشكل فعال. الاختبارات أظهرت أن LeWAM سجلت معدلات نجاح مذهلة حيث زادت من 28.6% إلى 89.7% في المهام الغنية بالتواصل، ومن 10.9% إلى 46.2% في المهام طويلة الأمد، بالإضافة إلى سرعة التخطيط التي زادت بمعدل 32.3 مرة.

ولم تقتصر إنجازات LeWAM على الأعمال التجريبية فقط، بل أثبتت تنافسيتها مع الأساليب المعروفة في مهام نسخ السلوك سواء في البيئات المحاكاة أو الروبوتات الفيزيائية. وأظهرت تحليلات القابلية للتفسير أن LeWAM تتعلم تمثيلات ذات صلة بالتحكم وتوزيعات الأفعال بشكل فعال، مما يسهل التخطيط والتحكم أثناء الاختبارات.