---
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]]