Modelo de mundo de Meta entrenado con vídeo de forma autosupervisada, con codificador ViT-H de 600 millones de parámetros.
Ofrece la arquitectura V-JEPA 2 con un codificador más ligero que el ViT-g.
Pesos abiertos en Hugging Face y código en GitHub, con licencia MIT. Se lanzó junto a V-JEPA 2 ViT-g y V-JEPA 2 ViT-L (cada uno con su propia ficha).
Codificador ViT-H de 600 millones de parámetros; resolución de 256 píxeles.
