两段提示词，Claude Opus 5.5 把一篇被忽视的 Meta 论文做成了讲解视频

Anthropic 的 Claude Opus 5.5 用两段提示词，把一篇 Meta FAIR 论文做成了讲解视频。发帖人 Tanishq Mathew Abraham 说，看完视频，他基本理解了论文里的方法 JEM 是如何工作的。

生成结果如下。

视频讲的是《Scalable Patch-Level Self-Supervised Learning》，2026 年 10 月 7 日提交到 arXiv，作者包括 Maximilian Seitzer、Maxime Oquab、Oriane Siméoni 等人，均来自 Meta FAIR。网友 @iScienceLuvr 在推文里说，这篇论文“彻底在雷达下飞行”，几乎没人注意到。

论文提出了 JEM，一个学生-教师自监督学习框架。不靠人工标注，模型直接从图像里学表征。JEM 的做法是，把同一张图的不同视角切分成 patch，教师网络和学生网络各自编码，再对齐跨视图的 patch 表征。一类保留信息，一类保留结构，防止表征坍缩。

论文有三个硬指标：

• 从 300M 到 7B 参数训练稳定，是第一个在 7B 规模上对齐潜在空间 patch 表征的方法。
• 全局和密集任务表现强，分割基准稳定超过 DINOv2。
• 7B 参数下，全景分割超过 DINOv3，训练数据约为 DINOv3 的 1/12，没有精炼阶段。

DINOv2 和 DINOv3 都是 Meta 自家的视觉自监督模型，属于这个领域的事实基线。JEM 的成绩放在平时足够引起一轮转载，但它已经发表两周，几乎没人讨论。直到 Tanishq 转发这条推文，附带了一段视频。

Tanishq 贴出了自己用的提示词。第一段：

Make a video explaining how JEM works (https://arxiv.org/abs/2610.10013)

Make sure it's in depth but also explains it from scratch and first principles without it being too complicated (I don't understand any of the information theoretic math for example, it confuses me)

大意是：做条视频解释 JEM 怎么工作，深入一些，从第一性原理讲起，别太复杂。他特意补了一句：“信息论数学我不懂，那些东西让我困惑。”

结果是一条 16 分钟的视频，没涉及公式。第二段：

This is incredible! The only thing missing is it doesn't walk through the actual math/equations for the losses. You just need to explain how your intuitive description of the losses connect with the math. Please let me know what parts of the video you change to make this clear.

大意是：视频很棒，只缺一块，需要把直观解释和损失函数的数学对应起来。

结果是 25 分钟版本。Tanishq 说，就这两段，没用什么第三方工具。

评论区从技术问答开始。

有网友问：DINO 系列用了一堆 centering 之类的操作防坍缩，JEM 靠什么？Tanishq 回：基于熵的正则化项。

摘要里那句“12x less data”也有歧义。有人觉得主语是 JEM 还是 DINOv3 读起来两可。有网友查证后澄清：主语是 JEM。7B 参数下做全景分割，数据约为 DINOv3 的 1/12。

还有条评论讲工程成本，说 DINO 的配方里有大量稳定化技巧，多数团队只下载官方权重，从不在自己的数据上重训。如果 JEM 真的足够简单，领域专用 backbone 的训练成本会明显下降。

也有人没被说服。ews 说，AI 生成的视频可能看起来完全自洽，但没人能保证它和论文一一对应。就像给 LLM 一段英文数学证明，它能生成对应的 Lean 形式化证明，但两者不一定等价。Sparsh Jain 也问：有没有把视频和论文逐条比过？模型有没有讲错的地方？

但至少，论文阅读的门槛在被工具削平。看不懂信息论数学的人，也能用两段提示词给自己生成一条讲明白论文的视频。至于公式细节是否可靠，论文在下面，可以核。

arXiv:2610.10013