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。

NEPA技术的核心理念源于人类的认知过程。当我们观看一张图片时，眼睛的移动和注意力的转移是自然的，而这种过程可以通过一种简单的“预测下一个”游戏来模拟。研究团队将图片切割成多个小块，像拼图游戏一样，让机器逐一观察这些片段，并预测下一个片段的内容。这种方法大大简化了机器的训练过程，避免了以往技术中复杂的重建和对比学习。

本研究运用分量向量自我回归（Quantile Vector Autoregression, QVAR）模型，分析2003年1月至2024年6月期间布兰特原油价格与金砖五国股市间的风险传导机制，检视极端熊市（τ=0.05）、正常市况（τ=0.5）和极端牛市（τ ...