JEPA：从联合嵌入预测到可规划的潜变量世界模型

证据冻结日：2026-08-30。 本页把 JEPA 当作一类架构合同，而不是某个固定模型名。核心模型预测表征兼容性；只有再加入动作、可滚动动力学、目标或代价、搜索与闭环重规划，才构成可检验的控制型 world model。像素可视化 decoder、生成式导航头和 probe 都是独立模块，不能倒推为基础 JEPA 的能力。

1. 先给结论

• I-JEPA 与 V-JEPA 是非生成式表征学习器。 它们预测被遮挡图像或视频区域的 target embedding，而不是 RGB；V-JEPA 论文中的像素可视化由另训的条件 diffusion decoder 完成。[3], [4]
• V-JEPA 2 与 V-JEPA 2-AC 不是同一个能力层。 前者是 action-free 视频 encoder；后者冻结视觉 encoder，再用不到 62 小时的 DROID 机器人轨迹训练约 3 亿参数的动作条件 predictor，并以 latent energy、CEM 和 MPC 规划。[6], [7]
• V-JEPA 2.1 主要升级 dense representation recipe。 它不是新的动作模型；机器人结果来自以 2.1 encoder 重训动作 predictor。论文中抓取从 60% 到 80% 的配置同时改变了规划 horizon 与采样数，不能把全部增益单独归因给 encoder。[9]
• 高 probe 分数只证明表征可读。 frozen probe、全量 finetune、latent prediction、动作反事实、状态充分性、闭环效用和 OOD 是不同证据，不能把分类或分割成绩外推成“学到了物理规律”。
• 确定性 L1 JEPA 不自动表达多未来。 原始 V-JEPA 的最优点预测可趋向条件中位数；分支集合、变分 latent 或下游 diffusion 可以表达多模态，但需要 proper score、覆盖率、校准和闭环效用另行验证。[4], [16], [17]

2. 精确的 JEPA 训练合同

设完整样本为 x，上下文索引为 C，目标索引为 T，目标位置或掩码查询为 q_T。典型 teacher–student JEPA 写成：

\[
z_C=f_\theta(x_C),\qquad
z_T=\mathrm{sg}\!\left(f_{\bar\theta}(x)_{T}\right),
\]

\[
\hat z_T=g_\phi(z_C,q_T[,a_{1:H}]),\qquad
\mathcal L_{\mathrm{pred}}
=\frac{1}{|T|}\sum_{i\in T}d(\hat z_i,z_i),
\]

\[
\bar\theta\leftarrow \tau\bar\theta+(1-\tau)\theta .
\]

方括号里的动作只在 action-conditioned 变体出现。各组件的责任边界如下。

组件	可见信息与更新方式	它不代表什么
context encoder f_\theta	只读取未遮挡 context token；由预测损失梯度更新	不能看到被遮挡像素，否则发生 target leakage
target encoder f_{\bar\theta}	通常读取完整、未遮挡样本，再只抽取 target 位置；输出经 stop-gradient	不是可训练的 RGB decoder
predictor g_\phi	读取 context embedding 和目标时空位置；动作模型还读动作与 proprioception	不一定是概率分布，也不自动可生成像素
mask / query q_T	指定“预测哪里、何时”；I-JEPA 用大 target blocks，V-JEPA 用大比例时空 multi-block mask	mask 不是缺失内容本身，不能携带目标像素
stop-gradient sg	阻断 target 分支的反向梯度，使在线 encoder/predictor 对齐一个暂时固定的目标	单独使用不构成防坍塌定理
EMA target	用在线 encoder 的指数滑动平均更新 target encoder	不是独立优化的第二个模型，也不是概率平均
距离 d	I-JEPA 使用 target feature 的 L2 距离；V-JEPA / V2 常用逐 token L1；其他变体可换相似度或 energy	低 feature error 不等于低像素误差或高控制回报

I-JEPA 通过“大目标块 + 空间分散的 context”把任务推向对象级语义；V-JEPA 将 mask 扩展到时空 tube，并在论文配置中遮住约 90% token。target encoder 看完整视频，context encoder 丢弃 masked token，损失只在 target 位置计算。[3], [4]

文字替代： 完整样本分成可见 context 与被遮挡 target；在线 encoder 只看 context，predictor 再接收 target 位置。完整样本由 EMA target encoder 编码，target 输出被 stop-gradient 截断。两路表征在 target 位置比较，梯度只回到在线 encoder 和 predictor，在线权重再以 EMA 更新 target encoder。

2.1 “能量”到底是什么

能量模型用一个标量衡量变量之间的兼容性：

\[
E_\psi(x,y)\in\mathbb R,\qquad
\hat y=\arg\min_y E_\psi(x,y).
\]

它不要求把所有 y 归一化成概率。普通 JEPA 可把 E=d(g_\phi(z_C,q_T),z_T) 视作兼容性能量；动作规划则可写成：

\[
E(a_{1:H};z_t,s_t,z_g)
=\left\|P_\phi(z_t,s_t,a_{1:H})-z_g\right\|_1 .
\]

低能量只表示“按训练目标更兼容”，不天然等于高概率、已校准置信度或正确物理。要把 energy 当不确定性使用，仍需单独的归一化、校准或 proper-scoring 验证。[2], [6]

3. 与像素生成和控制型 world model 的边界

系统	训练时主要目标	部署时直接输出	多未来	能否仅凭该模块闭环规划
I-JEPA / V-JEPA	masked target embedding prediction	图像或视频 feature	通常为确定性点预测	否：没有动作动力学、目标代价和 planner
V-JEPA 像素可视化	冻结 JEPA 后另训条件 diffusion decoder	条件 RGB 样本	decoder 可采样	否：只是解释 feature 预测内容
V-JEPA 2	action-free 视频表征预训练	视频 feature	通常为确定性 encoder	否：不能回答动作干预
V-JEPA 2-AC	给定动作与 proprioception 的 future latent	action-conditioned rollout	基础 predictor 仍为确定性	是：需再接 goal energy、CEM 与 MPC
V-JEPA 2.1	masked + visible context 的多层表征预测	更密集的 feature	基础模型无显式分布	否：动作头需另训
像素 / video-latent 生成式 world model	条件视频分布或视觉 token likelihood	RGB、视觉 token 或可解码 latent	可通过采样表达	只有动作、代价、搜索和闭环都存在时才是
LeWorldModel / EB-JEPA action 示例	从动作预测 future state embedding，并约束 latent	可规划 latent	依具体 predictor	是：在各自小规模控制协议内验证

图注： 上半部分是 representation objective，不要求 RGB decoder；右侧四项是经验性的防坍塌监测与机制。下半部分才加入动作序列、latent world predictor、目标/价值和 receding-horizon control。最右证据阶梯强调：linear probe、future latent accuracy、action intervention 与 closed-loop return 是四项递进声明，JEPA 连接它们，但不自动保证后三级。

图的顺序化文字替代：

1. 视频被分成可见 context tube 与 masked target tube；context encoder 产生 \(z_C\)，EMA target encoder 产生 stop-gradient 的 \(z_T\)。
2. predictor 使用 \(z_C\) 与 mask-position token 预测 \(\hat z_T\)，latent loss 只比较 \(\hat z_T\) 和 \(z_T\)；可选 pixel decoder 从 \(\hat z_T\) 解码可视化，不进入基础目标。
3. 控制阶段把同一当前状态与多条候选动作序列送入动作条件 latent predictor，得到不同 future latent trajectory，再由目标或价值头评分。
4. planner 选择最佳序列，但只执行第一步；真实新观测重新编码后进入下一轮规划。
5. 证据必须从表征可读性、未来 latent 准确性、动作干预逐级累积到闭环回报，不能由上游 probe 跨级替代。

这里最容易混淆的是“latent”。生成模型的 video latent 往往是为了经 decoder 还原 RGB；JEPA latent 的首要合同是保留可预测、可迁移或可规划的信息，并不承诺可逆。二者可以组合，但“同样不在像素空间”并不让它们成为同一种模型。

4. 防坍塌：经验非对称与显式分布约束

如果所有输入都映射到同一常数，预测损失也可能很低。不同路线解决的是同一个失败，却有不同保证。

1. I/V-JEPA 的经验 recipe。 stop-gradient、EMA teacher、predictor 非对称、大范围 mask 与训练调度共同避免平凡解；它们在报告设置中有效，但不是“任意数据与网络都不会坍塌”的数学保证。[3], [4]
2. LeJEPA 的 SIGReg。 该方法以随机一维投影的特征函数约束 embedding 接近各向同性高斯，并把预测与分布正则联合优化；作者在论文假设下给出保证，不再依赖 stop-gradient 或 EMA teacher。保证不能无条件外推到任意动作模型。[10]
3. LeWorldModel 的端到端控制。 encoder 与 action predictor 从像素共同训练，使用 prediction + SIGReg，无预训练视觉 encoder、EMA 或 stop-gradient；证据来自较小控制环境。论文同时承认高维 SIGReg 目标在简单数据上可能弱化，紧凑 latent 也可能丢失规划信息。[11]
4. EB-JEPA 的模块化正则。 教程库展示 VICReg / SIGReg 等正则及动作条件 Two Rooms；其消融中移除 inverse-dynamics 类正则会破坏随机环境规划，说明“batch 方差不坍塌”与“动作因果可辨”不是同一要求。[12]

建议同时记录至少四个健康度量：每维标准差、协方差谱或 effective rank、样本间最近邻多样性、与已知状态变量的可读性。只看训练 loss 无法排除常数解或低秩解。

5. Dense feature 与 semantic feature 的真实权衡

原始 masked JEPA 只在被遮挡 target 上给监督，容易偏向全局语义；dense prediction 还需要边界、位置和局部纹理。V-JEPA 2.1 的三项改动是：

• Dense Predictive Loss： masked loss 之外，对可见 context token 也预测 target feature；context 权重随其到最近 mask 的时空距离增大而衰减。
• Deep Self-Supervision： 融合在线 encoder 的多个中间层，让 predictor 同时对齐 target encoder 的多个层级。
• Multi-Modal Tokenizer： 图像用 2D 卷积、视频用 3D 卷积，并加入 modality token，避免把静态图复制成伪视频。

关键消融不是“dense loss 全面更强”：在论文设置中，context loss 令 ADE20K mIoU 从 22.2 升至 33.8，却把 Something-Something-v2 从 72.8 降到 62.5；加入 deep self-supervision 后分别达到 38.6 与 72.1。它证明局部可读性与时序语义会发生竞争，也说明中间层监督是恢复平衡的机制，而非单调扩大模型即可解决。[9]

因此应把 probe 拆开报告：

• frozen backbone + 线性或 attentive probe：测“现成表征可读性”；
• 部分或全量 finetune：测“可适配性 + 优化预算”；
• dense head：测空间局部信息；
• action predictor finetune：测动作数据和动力学头的联合结果。

这些协议不能混排成一个总榜。

6. 可检验能力里程碑

文字替代： 主线从图像 masked embedding、视频时空表征、大规模 action-free encoder、动作条件 rollout，依次进入目标能量、CEM 和 MPC 闭环。V-JEPA 2.1 解决 dense feature；LeJEPA / LeWorldModel 解决另一类稳定训练与端到端控制；TD-JEPA 研究长期策略动力学；Branch-JEPA / Var-JEPA 研究多未来。横向分支没有闭环证据时不能自动升到控制层。

可检验能力	代表里程碑	当时新增证据	仍不能声称
静态 semantic feature	I-JEPA，CVPR 2023 [3]	非像素 masked prediction；图像 frozen / finetune 迁移	时间动力学、动作因果、生成
内容与运动联合	MC-JEPA，2023 [19]	内容自监督与 optical flow 共用 encoder	长 rollout 或控制
视频时空表征	V-JEPA，TMLR 2024 [4]	大时空遮挡；frozen video probes；点预测分析	动作反事实与规划
规模化视频先验	V-JEPA 2，2025 [6]	超过百万小时视频 / 图像预训练；理解与预测 probe	encoder 本身不是动作模型
真实机器人 latent MPC	V-JEPA 2-AC，2025 [6]	DROID 后训练；两实验室的 reach / grasp / pick-place	跨 embodiment、长时任务或已校准不确定性
显式分布正则	LeJEPA，2025 [10]	SIGReg 与论文假设下的防坍塌分析	自动获得 world-model 能力
长期策略 latent	TD-JEPA，ICLR 2026 [13]	reward-free offline transitions；13 个数据集的 zero-shot reward adaptation	通用视频生成或真实机器人部署
单卡教学与动作示例	EB-JEPA，ICLR 2026 World Models Workshop [12]	图像、视频、Two Rooms 的统一组件	大规模 foundation benchmark
dense 多层表征	V-JEPA 2.1，2026 [9]	context loss、deep supervision、多模态 tokenizer；dense / semantic 消融	基础 encoder 自带 action dynamics
端到端像素到 MPC	LeWorldModel，2026 [11]	小型 action world model；CEM / MPC 与物理 probe	互联网规模泛化
轻量单 encoder 视频表征	LeVJEPA，2026-08 预印本 [15]	SIGReg、token dropping、block-causal attention；代码与权重	尚无正式会议结论或动作规划

DINO-WM 是重要邻近基线：它冻结 DINOv2 patch feature，学习动作条件 latent dynamics，并在六个环境通过动作优化完成 visual goal；它证明“可规划的预训练 feature”并不专属于 JEPA 训练。[14]

7. 从动作条件预测到 MPC

V-JEPA 2-AC 冻结 V-JEPA 2 ViT-g frame encoder，在少于 62 小时 DROID 轨迹上训练 block-causal predictor。输入含视觉 feature、7D 末端执行器动作与 proprioceptive state；训练包含 teacher-forced 单步预测和两步 rollout loss。部署时，视觉目标编码成 z_g，CEM 在固定候选预算内最小化终点 latent 与目标的 L1 energy，只执行首个动作，再用新观测重规划。[6]

文字替代： 训练环用真实动作序列预测未来 target latent；部署环从当前 latent 和机器人状态出发，用 CEM 反复采样动作序列、latent rollout、按目标 energy 排序，只执行最佳序列第一步。环境的新观测回到 encoder，形成 receding-horizon MPC。

“zero-shot”在这项机器人实验里有严格限定：部署实验室、具体对象和任务没有提供任务奖励或环境特定训练轨迹，但动作模型见过 DROID 的同类 Franka embodiment，且长任务需要人工提供视觉子目标。论文在两个实验室、每项 10 次试验下报告 reach 100%、cup / box grasp 65% / 25%、cup / box pick-place 80% / 65%；这些是小样本协议结果，不是跨机器人通用成功率。[6], [7]

还应记录系统预算。论文示例中 V-JEPA 2-AC 在 RTX 4090 上以 800 个样本、10 次 CEM iteration、horizon 1 约需 16 秒/动作；该数字依赖硬件与实现，不能当作架构常数。长 horizon 会同时带来 rollout 误差累积与搜索空间爆炸。[6]

8. 不确定性与多模态未来

基础 V-JEPA 的确定性 L1 predictor 对同一 context 输出一个 target。若未来有多种合理结果，单点目标可能落在表示空间的“折中”位置。可选路线包括：

路线	表达对象	必须补充的验证
多个 latent 分支 + 权重	Branch-JEPA 用有限 successor set 表示多个结果 [16]	Energy Score、分支利用率、覆盖与校准；不能只报 oracle best-of-K
变分 latent	Var-JEPA 以变分目标表达 latent 不确定性 [17]	截至冻结日主要是理论与表格实例，不能外推为视频 / 控制证据
latent diffusion 下游头	V-JEPA 2.1 导航实验用 conditional diffusion Transformer 生成轨迹 [9]	多样性、可行性、碰撞率与闭环导航；能力归属于下游生成头
像素 diffusion decoder	V-JEPA 的另训 decoder 将 feature prediction 可视化 [4]	只能解释 feature 中保留的内容，不改变基础 JEPA 目标
ensemble / energy landscape	多模型或多候选的分歧	需校准到真实错误，不能把 energy 数值直接叫概率

对控制最危险的不是“画面不够逼真”，而是 predictor 对 OOD 状态过度自信，planner 进一步利用模型误差。应报告 coverage–risk 曲线、模型分歧、动作序列下的误差增长，以及拒绝或回退策略。

9. 评测矩阵：每个主张只接受对应证据

主张	最低协议	关键对照与报告项	不能由什么替代
latent 含语义	冻结 encoder；线性或固定容量 attentive probe	probe 参数、训练数据、增强、分辨率、5 seeds	全量 finetune
表征可适配	明确 finetune 层数和训练预算	同 backbone / 同 optimizer / 同数据	frozen probe 排名
能预测未来 latent	horizon 1 / 4 / 8 的 held-out target feature error	persistence、copy-last、action-free、pixel / latent baseline	动作分类分数
对动作敏感	同一初始状态的配对动作干预	动作置换、动作取反、no-action；方向与幅值误差	自然视频相关性
latent 状态充分	frozen readout 预测位置、速度、接触、遮挡对象和 proprioception	线性与小 MLP 分开；报告不可读变量	只报全局分类
规划有用	固定 CEM 样本、iteration、horizon 与墙钟预算的闭环任务	reactive policy、oracle dynamics、随机 planner、消融	open-loop feature loss
学到可迁移规律	受控 OOD：材质、质量、相机、动力学、embodiment 分开移动	ID / OOD 差值、置信区间、失败视频	单一 benchmark 平均分
会表达未知	calibrated likelihood / proper score、coverage–risk 或 ensemble error correlation	与真实错误校准；拒绝策略	原始 L1 energy

probe 分数只说明某个有限容量读出器能恢复标签。它既可能来自外观捷径，也不要求 predictor 对动作干预、碰撞或长期 rollout 正确。反过来，控制有用的紧凑 latent 也未必在线性语义 benchmark 上最优。证据必须停在实际通过的层级。

10. 最小可复现实验与证伪门

下面是一套单机可执行的小型实验设计；具体数值是预注册示例门槛，应在看结果前按任务难度固定，而不是文献中的通用阈值。

10.1 数据与模型

1. 在可复位的 2D 推物或 Two Rooms 环境采集 5 个随机种子；每个初始状态执行成对的相反动作，保存 RGB、动作、位置、速度、接触和目标。
2. 按场景 seed 划分训练 / ID test；OOD test 分别只改变纹理、相机、对象质量和摩擦，避免把多种 shift 混在一起。
3. 训练同容量的三组模型：EMA + stop-gradient JEPA、去除关键防坍塌组件的 ablation、动作不可见的 predictor。若算力允许，再加 pixel-prediction 或 DINO feature dynamics 基线。
4. 不训练像素 decoder；可视化只使用最近邻 target frame，防止把 decoder 画质误当动力学准确性。

10.2 预注册门槛

• 泄漏门： context 输入中 target token 数必须为 0；用目标区域随机替换后，context embedding 不应变化。失败即停止。
• 坍塌门： held-out embedding 的 effective rank 至少为 max(8, 0.1d)，且每维标准差中位数不得接近数值精度；ablation 应能暴露 loss 低而谱坍塌的反例。失败则不得报告 probe。
• 动作门： 在配对干预中，预测的状态变化方向准确率至少 80%，并比 no-action / shuffled-action 高至少 15 个百分点，bootstrap 95% CI 不跨 0。失败则只能声称 action correlation。
• 状态门： frozen linear readout 对位置 / 速度的归一化误差和接触 AUC 必须预先达标；小 MLP 成功而线性失败要单独标注，不能合并。
• rollout 门： 同时报 horizon 1 / 4 / 8 的 median、P90 与失败率；若长程改善只来自 teacher forcing，或 closed-loop rollout 显著崩溃，则否定“可滚动动力学”。
• 规划门： 固定 CEM 预算后，MPC 成功率相对 reactive 与 random-shooting 基线至少提高 15 个百分点，且 95% CI 不跨 0；同时报告真实交互数、墙钟延迟与碰撞。
• OOD 门： 每种单因素 shift 都报告相对跌幅；若 feature probe 保持而动作或规划跌幅超过预注册阈值，只保留“表征迁移”声明。

最关键的否证模式是：frozen probe 很高，但动作置换不改变预测，或 MPC 不优于 no-action baseline。 这时模型是有用的视觉表征器，却不是已验证的动作 world model。相反，若 pixel 预测更模糊但 latent MPC 更强，应把结论限定为“规划充分”，而不是“生成更真实”。

11. 截至冻结日的发布面

项目	代码 / 权重 / 配置 / 训练评测	冻结日核验与边界
I-JEPA [5]	官方训练代码、配置、日志和多个 checkpoint	仓库已 archived；HEAD 52c1ae9。GitHub API 未给出明确 SPDX，不能仅凭仓库名宣称许可证
V-JEPA [5]	官方预训练 / 评测代码、配置和 checkpoints	HEAD 51c59d5；像素 decoder 是解释工具，不是基础模型生成接口
V-JEPA 2 / 2-AC [8]	V2 300M / 600M / 1B / 1B@384，2-AC checkpoint，训练评测代码与 PyTorch Hub	HEAD 204698b；仓库说明主体为 MIT，部分文件另列 Apache-2.0
V-JEPA 2.1 [8]	80M / 300M / 1B / 2B@384 的直链权重与配置；同仓库代码	2026-03-16 release；README 的 2.1 论文链接仍残留 arxiv.org/abs/TODO，应以正式 arXiv 号 2603.14482 为准
官方 Hugging Face [18]	冻结日 collection 列出 V2 encoder / probe cards	未列 V2.1 card；这不等于 2.1 未开放，因为官方仓库已有直链权重
LeJEPA / LeWorldModel [10], [11]	作者仓库提供代码；LeWorldModel 给 checkpoint / data 链接	分别 HEAD c293d29 / 8edfeb3；结果协议小于 V-JEPA foundation scale
EB-JEPA [12]	Apache-2.0 官方教程库与可运行示例	HEAD 966e61e；论文是 ICLR 2026 World Models Workshop，不是 ICLR main track
LeVJEPA [15]	作者代码和 VideoMix-Large 权重	HEAD 941526c；代码总体 MIT，但适配文件与权重另有条款，加载卡要求 trust_remote_code=True，应先审计

发布面必须拆成五列理解：论文、推理代码、训练代码、权重、数据 / 许可证。存在模型名或项目页不等于五项都开放；GitHub HEAD 也只是冻结日快照，不是永久版本。

12. 研究问题与阅读顺序

仍未解决

1. 什么 latent 粒度能同时保留语义、接触与速度，又不把不可预测纹理带入规划？
2. 大规模被动视频提供的是视觉先验，还是可经少量交互可靠转化的动作因果结构？
3. 如何把多模态 successor、校准 uncertainty 与实时 MPC 结合，而不让搜索成本爆炸？
4. 如何区分“planner 利用模型漏洞”与“模型学到可迁移规律”？
5. 跨相机、实验室、embodiment 与长任务时，成功率如何随 shift 逐项退化？

最小阅读顺序

1. 蓝图与能量定义：LeCun 2022、energy-based learning tutorial。[1], [2]
2. 表征机制：I-JEPA、V-JEPA。[3], [4]
3. 动作与规划：V-JEPA 2 / 2-AC、DINO-WM。[6], [14]
4. dense / collapse：V-JEPA 2.1、LeJEPA。[9], [10]
5. 小型可复现 world model：EB-JEPA、LeWorldModel。[12], [11]
6. 长期与多未来：TD-JEPA、Branch-JEPA、Var-JEPA。[13], [16], [17]

检索式、纳排理由、版本快照、逐项来源和负面核验见 JEPA research audit。

参考文献

[1] Yann LeCun. A Path Towards Autonomous Machine Intelligence. OpenReview working paper, v0.9.2, 2022.

[2] Yann LeCun, Sumit Chopra, Raia Hadsell, Marc'Aurelio Ranzato, Fu Jie Huang. A Tutorial on Energy-Based Learning. Predicting Structured Data, 2006.

[3] Mahmoud Assran et al. Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture. CVPR, 2023.

[4] Adrien Bardes et al. Revisiting Feature Prediction for Learning Visual Representations from Video. TMLR, 2024. arXiv:2404.08471.

[5] Meta FAIR. I-JEPA official repository ; V-JEPA official repository . Accessed 2026-08-30.

[6] Mahmoud Assran et al. V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning. arXiv, 2025. Meta research page.

[7] Meta AI. V-JEPA 2: A world model for physical reasoning. Official project / release article, 2025.

[8] Meta FAIR. V-JEPA 2, V-JEPA 2-AC and V-JEPA 2.1 official repository . Accessed 2026-08-30.

[9] Lorenzo Mur-Labadia et al. V-JEPA 2.1: Unlocking Dense Features in Video Self-Supervised Learning. arXiv, 2026.

[10] Randall Balestriero, Yann LeCun. LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics. arXiv, 2025. Official repository .

[11] Lucas Maes et al. LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels. arXiv, 2026. Official repository .

[12] Basile Terver et al. A Lightweight Library for Energy-Based Joint-Embedding Predictive Architectures. ICLR 2026 Workshop on World Models. Official repository .

[13] Marco Bagatella et al. TD-JEPA: Latent-predictive Representations for Zero-Shot Reinforcement Learning. ICLR, 2026. Official repository .

[14] Philippe Hansen-Estruch et al. DINO-WM: World Models on Pre-trained Visual Features Enable Zero-shot Planning. ICML, 2025. Official repository .

[15] Andreas Kuhn et al. LeVJEPA: A Lean Video Joint-Embedding Predictive Architecture without the Heuristics. arXiv preprint, submitted 2026-08-27. Official repository ; official model card.

[16] Branch-JEPA: Branching Joint-Embedding Predictive Architectures. arXiv preprint, v2, 2026.

[17] Var-JEPA: Variational Joint-Embedding Predictive Architectures. arXiv preprint, 2026.

[18] Meta. V-JEPA 2 official Hugging Face collection; V-JEPA 2 ViT-H model card. Accessed 2026-08-30.

[19] Adrien Bardes, Jean Ponce, Yann LeCun. MC-JEPA: A Joint-Embedding Predictive Architecture for Self-Supervised Learning of Motion and Content Features. arXiv preprint, 2023.