Recommended Free Tools
Antes de um robô empurrar um objeto, ele precisa estimar o que acontecerá: o objeto vai se mover até a meta ou cair da mesa? Modelos da família JEPA foram desenvolvidos para prever estados do mundo a partir de imagens e vídeos; uma versão posterior, V-JEPA 2-AC, condiciona previsões a ações e foi usada para planejar tarefas de manipulação robótica. Isso demonstra uma capacidade física específica, não que JEPA substitua modelos de linguagem ou já tenha alcançado compreensão humana do mundo.
O título parece referir-se a JEPA — sigla de Joint Embedding Predictive Architecture — e não a “Jev e Laya”.
As an Amazon Associate I earn from qualifying purchases.
O que JEPA prevê — e por que não tenta reconstruir cada pixel
JEPA é uma família de arquiteturas preditivas proposta por Yann LeCun. No V-JEPA, a entrada principal é vídeo: o modelo aprende representações abstratas das cenas e prevê partes ou estados futuros nesse espaço de representação. Em vez de tentar preencher cada pixel ausente, pode concentrar-se em propriedades relevantes da cena e deixar de lado detalhes imprevisíveis ou pouco importantes, como pequenas variações visuais.
Na descrição do V-JEPA 2, um codificador transforma o vídeo em representações de estado, ou embeddings; um preditor estima representações futuras a partir do contexto. Em termos simples: o objetivo é antecipar como a cena pode mudar, e não necessariamente produzir uma imagem completa e realista de cada instante futuro. A explicação da Meta sobre o V-JEPA 2 descreve essa abordagem e os benchmarks associados.
#1 Best Overall
Essa distinção importa porque prever não é o mesmo que decidir. O V-JEPA original se concentrava em percepção e previsão visual; planejamento e decisão sequencial eram apresentados como passos posteriores. Para planejar ações robóticas, o V-JEPA 2 foi posteriormente adaptado com dados de ações, dando origem ao V-JEPA 2-AC.
O que um modelo de decisão faz antes de agir
Um modelo de mundo condicionado a ações estima como o estado poderá mudar se o sistema executar determinada ação. Um planejador pode comparar essas consequências previstas com uma meta e escolher o próximo movimento. Essa combinação — previsão condicionada à ação mais um algoritmo de planejamento — é a capacidade relevante na demonstração robótica; não é uma propriedade automática de todo modelo chamado JEPA.
Rank #2
Planejamento de curto prazo
Nas tarefas curtas descritas pelos autores, a meta é representada por uma imagem. O planejador codifica o estado visual atual e a meta, avalia os resultados previstos para um conjunto de ações candidatas e escolhe uma ação. Depois de executá-la, observa o novo estado e planeja novamente. Essa abordagem, conhecida como controle preditivo por modelo, usa previsões para decidir o passo seguinte em vez de depender de uma sequência inteira de movimentos fixada de antemão.
Windows Errors? Fix Them Before They Spread
Repair common Windows errors and clear accumulated junk for a smoother, more stable PC - no reinstall needed.Free scan · no reinstallOutdated Drivers Are Slowing You Down
One free scan finds every outdated or missing driver and matches the right update for your exact hardware.Free scan · exact hardware matchTarefas com mais etapas
Para tarefas mais longas, o sistema usa uma sequência de submetas visuais. Isso divide o percurso até a imagem final em objetivos intermediários, mas não equivale a planejamento geral e ilimitado: os autores identificam o planejamento hierárquico em múltiplas escalas como uma direção futura.
O que a demonstração com robôs mostrou
Segundo a Meta e o relatório técnico de Assran e coautores, o V-JEPA 2 foi pré-treinado com mais de 1 milhão de horas de vídeo e 1 milhão de imagens. Para adaptar o sistema ao planejamento robótico, os autores usaram menos de 62 horas de vídeos robóticos não rotulados do conjunto DROID.
O V-JEPA 2-AC foi implantado em braços robóticos Franka em dois laboratórios. De acordo com os autores, o sistema realizou tarefas de pegar e colocar objetos usando metas visuais, sem coletar dados dos robôs nos ambientes de implantação e sem treinamento específico para cada tarefa ou recompensa. A Meta reportou taxas de sucesso de 65% a 80% em tarefas de pegar e colocar objetos novos em ambientes não vistos, usando submetas visuais. Essa faixa se refere a essas tarefas e condições; não é uma taxa geral de sucesso para robôs.
Esses resultados mostram um mecanismo concreto para usar previsões sobre consequências físicas na escolha de ações. Não demonstram, por si sós, que o robô compreenda a física como uma pessoa, planeje com competência em qualquer ambiente ou resolva objetivos de longo prazo.
The Tool Desk
Outbyte PC Repair FREERepair Windows errors before they cause bigger problemsFix Now →Outbyte Driver Updater FREEFix the driver behind crashes, sound loss and screen glitchesFind Drivers →JEPA e LLMs respondem a problemas diferentes
A comparação mais útil é entre mecanismos e tarefas, não entre slogans sobre qual tecnologia “pensa”. Um LLM de texto prevê tokens; os trabalhos de V-JEPA descritos aqui aprendem com imagens e vídeos e preveem representações visuais. No V-JEPA 2-AC, as previsões também são condicionadas a ações. Isso torna a abordagem pertinente a tarefas em que observar a dinâmica física e estimar o efeito de um movimento é central.
Best Value
| Aspecto | LLM de texto | V-JEPA 2-AC no trabalho descrito |
|---|---|---|
| Alvo de previsão | Próximos tokens de texto | Representações de estados visuais futuros condicionadas a ações |
| Dados relevantes para o caso | Texto, conforme o sistema considerado | Vídeos e imagens para o modelo; trajetórias robóticas para a etapa de adaptação com ações |
| Uso demonstrado | Geração e compreensão de linguagem, conforme a tarefa | Avaliação de ações candidatas e planejamento visual de pegar e colocar objetos |
A tabela contrasta o mecanismo documentado nesses trabalhos; não implica que todos os LLMs tenham as mesmas entradas ou capacidades, nem compara desempenho geral entre famílias de modelos.
Também não se trata de uma escolha excludente. Os autores alinharam o V-JEPA 2 a um modelo de linguagem para perguntas e respostas sobre vídeo. No relatório técnico, reportaram acurácia de 84,0 no PerceptionTest e 76,9 no TempCompass para esse sistema combinado. Esses valores pertencem a benchmarks específicos e não medem planejamento robótico. O relatório técnico apresenta os resultados e as tarefas avaliadas.
Independent reader supportYour contribution helps us test, update, and keep practical guides available for everyone.Como interpretar os outros resultados publicados
Além da manipulação robótica e das tarefas de perguntas e respostas sobre vídeo, os autores reportaram resultados em benchmarks de reconhecimento e antecipação de ações. Cada métrica mede uma capacidade diferente; não deve ser lida como uma classificação única de “inteligência física”.
Do these 3 things before closing this tab:
1Repair Windows errors before they cause bigger problems2Fix the driver behind crashes, sound loss and screen glitches3Clear out junk files and repair common Windows errors| Resultado reportado | Tarefa e contexto |
|---|---|
| 77,3 de acurácia top-1 | Reconhecimento de ações no benchmark Something-Something v2, segundo os autores do V-JEPA 2. |
| 39,7 de recall-at-5 | Antecipação de ações no Epic-Kitchens-100, segundo os autores do V-JEPA 2. |
| 84,0 no PerceptionTest; 76,9 no TempCompass | Perguntas e respostas sobre vídeo após alinhar o V-JEPA 2 a um modelo de linguagem, segundo os autores. |
Os resultados acima vêm da publicação da Meta e do relatório técnico dos autores, não de uma auditoria independente. “Estado da arte”, quando usado para esses resultados, deve ser entendido em relação aos benchmarks citados pelos autores e à época do trabalho — não como superioridade universal sobre LLMs ou outros sistemas.
O que ainda não foi demonstrado
- Compreensão física geral: os resultados em manipulação e benchmarks específicos não comprovam uma compreensão do mundo comparável à humana. A Meta relata lacunas entre sistemas e desempenho humano em benchmarks de física e causalidade.
- Planejamento geral de longo prazo: o V-JEPA 2 faz previsões em uma única escala temporal, e planejamento hierárquico em múltiplas escalas é apontado como trabalho futuro.
- Percepção de todos os sentidos: previsão multimodal envolvendo visão, áudio e tato também aparece como direção futura, não como capacidade já estabelecida nesses resultados.
- Vantagem geral sobre LLMs: as fontes citadas não estabelecem uma estatística confiável para adoção comercial, impacto econômico ou desempenho geral de “JEPA versus LLM”.
A formulação mais precisa é que modelos de mundo visuais condicionados a ações podem oferecer uma base útil para prever consequências e apoiar planejamento físico em tarefas delimitadas. Modelos de linguagem podem fornecer capacidades linguísticas, e a publicação do V-JEPA 2 mostra que esses componentes também podem ser combinados.
Quick Recap
Product prices and availability are accurate as of the date/time indicated and are subject to change. Any price and availability information displayed on Amazon at the time of purchase will apply.
