⌁ Awesome World Model Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

VLA-JEPA: 通过潜在世界模型增强视觉-语言-动作模型

arXiv 26.2 2026 52.4 method

TLDR

VLA-JEPA利用JEPA风格的潜在世界模型预测动作相关状态转换，提升VLA策略的鲁棒性和泛化性。

评分理由

The paper clearly identifies a key limitation of existing latent-action objectives (pixel variation bias) and proposes a leakage-free latent prediction method. Strengths include a simple two-stage recipe and demonstrated gains on multiple benchmarks including real-world tasks. Weaknesses are that the abstract does not detail limitations or ablation studies, and the novelty relative to prior JEPA work is not fully elaborated.

Read-first 评分解释

综合优先阅读分 52.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 37。

近期性 8%
100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。 年份：2026

主题相关性 42%
52.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。 关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 25%
50

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。 命中信号：实验

可复现性 25%
38

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。 论文：有；代码：无；数据：无；命中信号：代码

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：456。

关键词评分

world model
9
world dynamics prediction
8
video world model
6
model-based reinforcement learning world model
5
generative world model
4
interactive world model
3
world simulator
2

深度分析

创新点

  • 用于视觉-语言-动作模型的JEPA风格预训练框架
  • 无泄漏状态预测：未来信息仅用作监督目标，从不作为输入
  • 在潜在空间而非像素空间中进行预测，学习对相机运动和无关背景变化鲁棒的动态抽象
  • 简单的两阶段方案：JEPA预训练后接动作头微调，避免了多阶段复杂性

方法

VLA-JEPA使用目标编码器从未来帧生成潜在表示，而学生路径仅看到当前观测。未来信息仅用作监督目标，从不作为输入。模型在视频数据上使用JEPA风格的目标在潜在空间中进行预训练，然后使用动作头进行微调以完成下游任务。

关键结果

在LIBERO、LIBERO-Plus、SimplerEnv和真实世界操作任务上的实验表明，VLA-JEPA在泛化性和鲁棒性上相比现有方法取得了一致的提升。

技术栈

JEPA潜在世界模型视觉-语言-动作模型目标编码器学生路径

资源

论文

标签