联合嵌入预测架构（JEPAs）通过预测未来的潜在表征，为学习世界模型提供了一个简单的框架。然而，JEPA 的训练受到偏差-方差权衡（bias-variance tradeoff）的影响。如果没有足够的结构约束，过度的表征方差会导致模型崩溃到平凡解中。最近的 LeWM 研究表明，只需对潜在嵌入施加各向同性高斯先验，即可缓解这一问题。然而，潜在表征本质上位于高维环境空间中的低维流形上，在此环境空间中直接强制施加各向同性高斯先验会引入过强的偏差。在本文中，我们提出了一种方法，通过在多个随机子空间中施加高斯约束而不是在原始嵌入空间中施加，以在偏差-方差前沿上寻求有利的操作点。这种设计在保持其防崩溃效果的同时放宽了全局约束，从而在训练稳定性和表征灵活性之间取得了更好的平衡。在四个连续控制环境中的广泛实验表明，该方法以明显的优势一致地优于 LeWM。我们的方法简单而有效，为未来的基于 JEPA 的世界模型研究提供了强大的基线。代码可在 https://github.com/intcomp/Sub-JEPA 获取。