V-JEPA
PulseAugur coverage of V-JEPA — every cluster mentioning V-JEPA across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的JEPA风格模型学习有用的网络指纹嵌入
研究人员开发了JA4-JEPA，这是一种基于Transformer的模型，将JEPA风格的预测学习应用于网络指纹。这种通过匹配潜在预测而非重新生成输入来学习的方法，在JA4DB和CIC-IDS-2017的JA4派生数据上进行了测试。该模型在保留数据集上达到了0.9899的高余弦相似度和0.9220的kNN准确率，表明其在从网络指纹生成有用嵌入方面的有效性。
-
AI框架提升交通系统碰撞预测能力
研究人员开发了一种新颖的时空语义V2X框架，旨在改进智能交通系统中的碰撞预测。该框架利用视频联合嵌入预测架构（V-JEPA）生成未来交通场景的语义嵌入，然后通过V2X链路传输给车辆。通过仅发送这些语义嵌入而非原始视频数据，该系统显著降低了通信开销，同时提高了预测精度。实验表明，碰撞预测的F1分数提高了10%，传输需求减少了四个数量级。
-
AI需要世界模型来处理真实世界任务，JEPA在超越LLM方面展现出潜力
世界模型领域的领军研究者Pascale Fung在ICML 2026上发表演讲，阐述了世界模型对于在真实世界中运行的AI代理的必要性。她认为，尽管大型语言模型（LLMs）和视觉语言模型（VLMs）可以处理文本和视觉数据，但它们缺乏物理环境所需的因果推理和预测能力。Fung强调了联合嵌入预测架构（JEPA）相对于生成式世界模型的优势，包括更少的参数量、更快的推理速度以及对噪声和环境变化的更强鲁棒性。她的团队的工作，包括V-JEPA和VL…
-
SiamJEPA 使用 Siamese 编码器改进自监督学习
研究人员引入了 SiamJEPA，这是一种新颖的自监督表示学习方法，它在联合嵌入预测架构 (JEPA) 中使用了 Siamese 学生编码器。与之前使用单个编码器的 JEPA 模型不同，SiamJEPA 采用了 Siamese 编码器，其灵感来源于基于大脑的学习框架。在 ImageNet 上的实验表明，这种 Siamese 架构可以作为一种正则化器，提高表示的可分离性并加速早期训练阶段。在有限的训练预算下，SiamJEPA 的性能也优…
-
Drive-JEPA框架通过新颖的视频预训练推动端到端自动驾驶发展
研究人员推出Drive-JEPA，一个结合视频联合嵌入预测架构（V-JEPA）和多模态轨迹蒸馏的端到端自动驾驶新框架。该方法将V-JEPA应用于海量驾驶视频的ViT编码器预训练，生成对轨迹规划至关重要的预测表示。该系统还包含一个以提案为中心的规划器，它蒸馏各种模拟器生成和人类轨迹，并使用动量感知选择机制来确保稳定和安全的驾驶行为。在NAVSIM基准测试中，Drive-JEPA取得了新的最先进成果。
-
新框架从视频中学习隐式3D物理
研究人员开发了一个名为Neural Voxel Dynamics的自监督框架，可以直接从视频中学习隐式3D物理。该方法通过在3D体素潜在空间（Volumetric Latent Space）而非2D图像空间中进行预测，解决了当前生成视频模型的局限性。通过反投影语义特征并利用单目深度先验，该模型学习了一个条件于动作的转移算子，该算子在不依赖显式经典模拟器的情况下隐式地模拟物理现象。
-
中国AI初创公司Fysics AI推出基于物理学的世界模型
总部位于上海的Fysics AI公司推出了Fysiverse，这是一个新的人工智能世界模型，将真实的物理定律直接融入其代码中。这种方法不同于OpenAI和Meta等公司使用的数据驱动方法。Fysics AI声称，通过遵循基本的物理学原理，Fysiverse可以克服当前世界模型中的常见问题，如物理幻觉和推理失败。
-
新的Clin-JEPA框架支持电子健康记录数据的联合嵌入预测预训练
研究人员开发了Clin-JEPA，一个新颖的多阶段协同训练框架，用于电子健康记录（EHR）的联合嵌入预测预训练。该框架解决了创建单一AI模型以同时预测患者轨迹和执行各种下游风险预测任务的挑战，而无需进行特定任务的微调。Clin-JEPA采用了一个为期五阶段的预训练课程，以稳定地协同训练一个Qwen3-8B编码器和一个潜在轨迹预测器，通过独特地融合潜在的滚动漂移并学习临床上可区分的潜在几何形状，在EHR数据上展示了改进的性能。
-
视频基础模型展现出涌现的直观物理学理解能力
一篇新的研究论文探讨了视频基础模型是否具备对直观物理学的理解。该研究使用IntPhys2和Minimal Video Pairs等基准测试，探测了V-JEPA、VideoMAE和LTX-Video等模型的冻结表征。结果表明，V-JEPA表现最佳，尤其是在时间动态探测方面，而VideoMAE具有竞争力，LTX-Video则显示出较弱但存在的信号。研究还发现，物理学知识在这些模型的中间到后期层中更容易被访问。
-
TrAction 使用稀疏轨迹实现高效动作识别
研究人员开发了 TrAction，一种新颖的 Transformer 架构，用于使用稀疏点轨迹而非密集视频进行动作识别。该方法旨在减少依赖外观或背景线索的传统模型中存在的偏差。TrAction 在 Something-Something V2 和 EPIC-Kitchens-100 等基准测试中取得了有竞争力的准确率，并且与其他模型融合后，性能得到进一步提升。
-
VISTA 系统凭借物体交互预测能力赢得 Ego4D 挑战赛
研究人员开发了 VISTA，一个用于预测第一人称视角视频中人类与物体交互的新型系统。VISTA 集成了空间物体检测和来自冻结的 V-JEPA 2.1 模型的时序上下文来预测未来的交互。该方法在 EgoVis 2026 年 Ego4D 短期物体交互预测挑战赛中获得第一名。
-
卓驭转向实体AI，视之为生存的必然选择
专注于智能汽车的公司卓驭正将其重心转向“实体AI”，副总裁驭贝贝将其描述为生存的必然选择，而非市场趋势。该公司已开发出一种原生的多模态基础模型，旨在直接理解物理世界，而非通过语言翻译。这一战略转变旨在使卓驭能够为未来与传统汽车技术供应商以及跨行业数字AI巨头的竞争做好准备，并探索超越硬件销售和开发费用的新商业模式。