本文介绍了一种视觉自监督学习方法——文本条件JEPA（TC-JEPA），该方法通过图像标题减少特征预测的不确定性。TC-JEPA利用细粒度文本调节器，使图像特征更具语义意义，从而提升下游任务的表现和训练稳定性。该方法在视觉理解和推理任务中优于对比学习，展示了新的基于特征预测的视觉-语言预训练范式。