NEPA 正是将这种 GPT 式的哲学引入视觉领域的一次大胆尝试。作者认为，与其学习如何重建图像，不如学习如何“推演”图像。如果模型能够根据已有的视觉片段（Patches），准确预测出下一个片段的特征表示（Embedding），那么它一定已经理解了图像的语义结构和物体间的空间关系。