VLA ギャラリーモデル一覧ギャラリー

VLA ギャラリー / モデル一覧 / 産業界モデル

V-JEPA 2-AC

Meta FAIR·Mila · 2025-06

VA産業界モデルエンコーダ最大1Bその他

インターネット動画100万時間以上でworld modelを自己教師あり学習し、ラベルなしロボット動画62 h未満で行動条件付き予測器を付け加えた。

ギャラリーで構造図を見る論文 ↗

論文

V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and PlanningarXiv 2506.09985

概要

分類
産業界モデル
タイプ
VA
発表
2025-06
機関
Meta FAIR·Mila
重み公開
あり
パラメータ
エンコーダ最大1B(論文)/1.2B(ブログ); AC predictor約300M

構造

バックボーンLLM
なし
ビジョンエンコーダ
V-JEPA 2 ViT-g (最大1B)
アクションヘッド
目標画像ベースのMPC計画 (その他)
チャンク
非公開
制御周期
非公開
構造の原文要約
自己教師あり動画エンコーダViT(最大ViT-g) + action-conditioned predictor(約300M、24層、block-causal attention); 目標画像ベースのMPC計画(言語入力なし)

学習

事前学習アクセラレータ
非公開(A100基準のGPU-days比較表のみ)
事前学習期間
非公開
事前学習ステップ・バッチ
非公開
GPU・TPU時間
非公開
ファインチューニング
非公開
データ種類
人の動画(インターネット動画) + 画像 + 実ロボットのラベルなし動画
データ規模
インターネット動画100万h以上 + 画像100万枚(VideoMix22M); AC事後学習 DROIDのラベルなしロボット動画62 h未満
主要データセット
VideoMix22M, DROID
タスク・評価
新環境・新物体でのzero-shot pick-and-place成功率65~80%(ブログ); 異なる2研究室のFrankaに配備
ロボット
Franka単腕

推論

推論デバイス・速度
MPC計画をRTX 4090 1枚で実行; 計画時間の数値は非公開
推論メモリ
非公開
重み bf16(計算)
2.4 GB
実行場所
ローカルPC

強化学習・ベース

強化学習
不使用 · 自己教師あり動画事前学習 + 行動条件付き予測器の学習。実行はMPC計画
ベース制御
固定 · ベース制御なし (Franka腕、MPC計画)

備考

主な特徴
インターネット動画100万時間以上でworld modelを自己教師あり学習し、ラベルなしロボット動画62 h未満で行動条件付き予測器を付け加えた。2研究室のFrankaで新規物体のpick-and-placeをzero-shotで65~80%達成した。
備考
パラメータ表記の衝突: 論文のエンコーダ'up to 1 billion' vs ブログ'1.2 billion-parameter model'; パラメータ(B)は大きい方の値1.2。データ時間(h)はインターネット動画'over 1 million hours'の下限値。発表2025-06-11。
検証
確認

同じ分類のモデル