/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
10 фев 2026

CJEPA

Эмбеддинги изображенийИзображение → embedding

C-JEPA — объектно-центричная модель мира, извлекающая визуальные представления для рассуждения о взаимодействиях и планирования.

0скачиваний за 30 дней8лайковвеса обновлены19 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Causal-JEPA (C-JEPA) — объектно-центричная модель мира для обучения представлений и прогнозирования взаимодействий между объектами. Репозиторий содержит веса и код модели, описанной в статье «Causal-JEPA: Learning World Models through Object-Level Latent Interventions». Модель расширяет masked joint embedding prediction с патчей изображения на объектные представления и использует маскирование объектов, чтобы состояние одного объекта приходилось выводить из состояний других.

Модель предназначена для визуального рассуждения о взаимодействиях, контрфактических вопросов и планирования в задачах управления. В README сообщается об улучшении контрфактического рассуждения на CLEVRER примерно на 20% относительно варианта без объектного маскирования и о сопоставимом качестве планирования в Push-T при использовании 1% латентных признаков патчевой модели. Для получения представлений C-JEPA опирается на объектно-центричные энкодеры, например VideoSAUR или SAVi; доступны веса и предварительно извлечённые slot-представления для разных конфигураций.

Для репозитория указаны формат PyTorch и лицензия Apache-2.0. Метаданные классифицируют модель как извлечение признаков изображения; заявленные эксперименты охватывают CLEVRER и Push-T. Ограничение сценария применения: C-JEPA использует представления от отдельного объектно-центричного энкодера, поэтому сама по себе не описана как готовая система для обработки необработанного видео или управления агентом.

Сценарии применения

  • извлечение объектно-центричных признаков из изображений
  • контрфактические вопросы о взаимодействии объектов
  • визуальные вопросы и ответы на сценах CLEVRER
  • планирование действий в задаче Push-T
  • обучение представлений объектов для моделей мира

Ограничения

Для получения объектных представлений модель опирается на отдельный объектно-центричный энкодер, например VideoSAUR или SAVi. Заявленные результаты относятся к экспериментам на CLEVRER и Push-T и сами по себе не подтверждают качество на других наборах данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

C-JEPA: Causal-JEPA

This repository contains the weights and code for Causal-JEPA (C-JEPA), a simple and flexible object-centric world model architecture presented in the paper Causal-JEPA: Learning World Models through Object-Level Latent Interventions.

Summary

World models require robust relational understanding to support prediction, reasoning, and control. While object-centric representations provide a useful abstraction, they are not sufficient to capture interaction-dependent dynamics. C-JEPA is a simple and flexible object-centric world model that extends masked joint embedding prediction from image patches to object-centric representations. By applying object-level masking that requires an object's state to be inferred from other objects, C-JEPA induces latent interventions with counterfactual-like effects and prevents shortcut solutions, making interaction reasoning essential.

Empirically, C-JEPA demonstrates:

  • Improved Visual Reasoning: Consistent gains in visual question answering, with an absolute improvement of about 20% in counterfactual reasoning compared to the same architecture without object-level masking on benchmarks like CLEVRER.
  • Efficient Planning: Substantially more efficient planning in agent control tasks (e.g., Push-T), using only 1% of the total latent input features required by patch-based world models while achieving comparable performance.
  • Causal Inductive Bias: A formal analysis demonstrates that object-level masking induces a causal inductive bias via latent interventions.

Architecture

architecture

Setup and Usage

C-JEPA relies on object-centric encoders (like VideoSAUR or SAVi) to extract representations. For detailed environment setup, dataset preparation, and training/evaluation scripts, please refer to the official GitHub repository. The repository also provides model checkpoints and pre-extracted slot representations for various configurations.

Citation

If you find this work useful, please consider citing:

@article{nam2026causal,
  title={Causal-JEPA: Learning World Models through Object-Level Latent Interventions},
  author={Nam, Heejeong and Le Lidec, Quentin and Maes, Lucas and LeCun, Yann and Balestriero, Randall},
  journal={arXiv preprint arXiv:2602.11389},
  year={2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
d56bfc1

0 моделей