vjepa2

V-JEPA 2 是一个基于视频的自监督学习框架，用于训练高质量、时序一致的视频表征模型。其核心采用密集预测损失、多层深度自监督、多模态分词器及模型/数据扩展等技术，支持从原始视频中无监督地学习时空语义特征；衍生模型V-JEPA 2-AC进一步支持机器人动作规划与操作任务。适用于视频理解、动作预测、世界建模及具身智能等需要强时序建模能力的研究场景。