jepa

V-JEPA 是一个面向视频的自监督视觉表征学习框架，通过联合嵌入预测架构（Joint Embedding Predictive Architecture）在无标注视频数据上预训练视觉编码器。其核心特点是仅依赖隐空间特征预测目标，无需像素重建、文本模态、负样本或人工标注；支持冻结主干网络+轻量探针的下游迁移，适用于视频理解、动作识别、图像表征等任务。模型在 VideoMix2M 数据集上训练，输出具备时空一致性的高质量视觉表征，可与条件扩散解码器协同实现可解释性可视化。