" 像人一样推理 " 不再是幻想
传统机器视觉只能 " 看 " 但不会 " 想 "。V JEPA 2 则突破了这一局限：它学会了 " 球掉下桌子不会消失 "" 拿锅铲会把食物转移到盘子里 " 这类从婴幼儿就具备的直观物理常识 。
目标是让 AI Agents 在物理世界中实现 " 理解—预测—规划—执行 " 闭环能力。
零标注训练：原始视频 + 行为微调就能用
V-JEPA 2 采用联合嵌入预测架构 ( JEPA ) 构建，包含两个主要组件：
编码器：接收原始视频并输出嵌入，以捕获有关观察世界状态的有用语义信息。
预测器：接收视频嵌入和关于要预测的内容的附加上下文，并输出预测的嵌入。
V-JEPA 2 训练包含两个阶段：无动作预训练，以及后续的动作微调。
动作微调：使用 62 小时机械臂操作视频微调，使其将视觉理解转化为实际行动指令，且无需为每个新环境重建数据集。
在 Meta 的实验室测试中，搭载 V-JEPA 2 的机器人成功完成了涉及不可见物体的拾取和放置任务，仅使用视觉子目标作为指导，成功率高达 65% 至 80%。该系统的工作原理是设想候选动作的结果，并在每一步中选择最佳动作。
多任务能力提高：不仅看视频，还能具体做
数据显示，V JEPA 2 在 Something Something v2 ( SSv2 ) 、EK 100（Epic Kitchens 100）和Diving48 等动作识别任务中全面超越此前模型，提升显著。
在实验中，V JEPA 2 能够通过输入目标图像（例如 " 将杯子拿到桌子右侧 "），在完全未见过的环境中预测一系列合理步骤并逐步实现目标。
这种 " 看到目标就能推断下一步 " 的能力，体现出模型在视觉空间下自回归规划的强大zero shot 通用性。
为 AI 积累 " 常识 "：不仅看，还能推理频率和因果
除了 V JEPA 2 之外，Meta 还发布了三个新的基准来评估 AI 对物理现象的理解：
IntPhys 2：检测配对视频中不合理的物理现象。
MVPBench：使用最少的视频对来测试因果理解。
CausalVQA：评估模型是否可以根据物理因果关系回答 " 如果 " 和 " 下一步做什么 " 的问题。
Meta 指出，虽然人类在这些任务上的准确率高达 95%，但当前的视频模型（包括 V-JEPA 2）仍然远远落后，凸显了改进的空间。
开源资源：想试就能试
Meta 已在 GitHub 上发布完整 PyTorch 代码与预训练模型，遵循 MIT/Apache-2.0 开源许可 。
GitHub 开源地址：https://github.com/facebookresearch/jepa
开发者只需几行代码加载模型，就能用于视频理解、物理推理、甚至 robotics 应用，这意味着研究和商业团队都能快速上手。
在 V JEPA 2 基础上，研究者正探索更强的 seq JEPA 架构：它能处理多视角短视频，通过自回归学习视角不变性与层级预测，具备更强情境理解与规划深度。
V JEPA 2 的意义，远不止是一项模型能力的跃升。在这个模型中，机器第一次具备了 " 观察–理解–行动 " 的闭环能力：无需脚本，不靠标签，只凭模糊的视觉目标，它就能推演出合理的路径，像个学徒一样，在世界中 " 试着做 "。
Meta 的下一站，是多时间尺度的分层世界模型、多模态的感知整合系统——那些曾属于人类认知系统的复杂能力，正逐渐被建构出来。我们所处的，或许正是那个 " 机器获得常识、具备直觉 " 的临界点。
* 文中插图来源于 Meta 官方论文和 GitHub 图表
参考资料：
https://ai.meta.com/blog/v-jepa-2-world-model-benchmarks/
https://github.com/facebookresearch/vjepa2?tab=readme-ov-file
