Modelo de mundo de Meta entrenado con vídeo de forma autosupervisada, con codificador ViT-g de 1.000 millones de parámetros, y una variante (V-JEPA 2-AC) que planifica acciones de robots.
Con solo 62 horas de datos de robots, la variante V-JEPA 2-AC permite planificar y ejecutar tareas de coger y colocar objetos en entornos y con objetos nuevos, sin entrenamiento adicional.
Pesos abiertos en Hugging Face y código en GitHub, con licencia MIT. Se lanzó junto a V-JEPA 2 ViT-H y V-JEPA 2 ViT-L (cada uno con su propia ficha).
Codificador ViT-g de 1.000 millones de parámetros (Meta cifra el modelo completo en 1.200 millones); resolución de 256 y de 384 píxeles.
