20260625:很多新内容

concepts/vla-jepa.md

@@ -0,0 +1,41 @@
+---
+title: "VLA-JEPA (模型)"
+created: 2026-06-24
+updated: 2026-06-24
+type: concept
+tags: ["vla", "jepa", "world-model", "robot-learning"]
+sources:
+  - "[[vla-jepa-2026]]"
+---
+
+# VLA-JEPA
+
+VLA-JEPA 是将 JEPA 范式引入 Vision-Language-Action 模型的预训练框架。核心思想：通过 leakage-free state prediction 在 latent space 学习动作相关的动态抽象。
+
+## 架构
+
+- VLM Backbone：Qwen3-VL-2B
+- Latent World Model：V-JEPA2 encoder (frozen target) + autoregressive Transformer predictor
+- Action Head：Conditional Flow-Matching
+
+## 关键设计原则
+
+1. Target encoder 从未来帧产生 latent target → 仅作监督目标
+2. Student 仅见当前观察 → 消除信息泄漏
+3. Latent space 预测（非 pixel space）→ 鲁棒于外观变化
+
+## 训练流程
+
+两阶段简化为：JEPA Pretraining → Action-Head Fine-tuning
+（vs 传统 latent-action 方法的多阶段流水线）
+
+## 性能
+
+LIBERO 平均 98.2%（SOTA），SimplerEnv 领先，数据效率远超对比方法。
+
+## 参考
+- [[vla-jepa-2026]]
+- [[jepa]]
+- [[vla-vision-language-action]]
+- [[leakage-free-state-prediction]]
+- [[latent-world-model]]