Modelo de mundo de Meta entrenado con vídeo de forma autosupervisada, con codificador ViT-L de 300 millones de parámetros.
Es el codificador más pequeño de V-JEPA 2 y el más fácil de ejecutar con pocos recursos.
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-H (cada uno con su propia ficha).
Codificador ViT-L de 300 millones de parámetros; resolución de 256 píxeles.
