---
title: "Review: VLA-JEPA"
created: 2026-06-24
updated: 2026-06-24
type: review
paper: "[[vla-jepa-2026]]"
---

# 📌 基本信息
- **论文标题**：VLA-JEPA: Enhancing Vision-Language-Action Model with Latent World Model
- **作者**：Sun*, Zhang*, Qi, Ren, Liu, Zhu, Sun, Jin†, Chen†（USTC/SJTU/Tsinghua 等）
- **领域**：cs.RO / cs.CV（机器人学习、JEPA、世界模型）
- **arXiv ID**：2602.10098v2 | 添加时间：2026-06-24
- **代码**：https://github.com/ginwind/VLA-JEPA/

# 🎯 核心概念

1. **Leakage-Free State Prediction** — 核心设计原则：未来帧仅作监督目标，永不作为模型输入。直接修复 latent-action 预训练中的信息泄漏问题
2. **Latent World Model** — JEPA 风格的 latent space 世界模型：V-JEPA2 frozen target encoder + autoregressive Transformer predictor，在语义空间预测状态转移
3. **Latent-Action Pretraining 的四类失败** — 外观偏见、噪声运动放大、信息泄漏、多阶段脆弱性
4. **JEPA for Robotics** — JEPA 从视频表示学习扩展到 embodied AI 的自然延伸：latent space prediction 天然鲁棒于像素噪声

# 🔗 概念网络

**核心连接**：
- Leakage-Free State Prediction ↔ Information Leakage（问题 → 修复）
- Latent World Model ↔ JEPA（架构 → 范式）
- Appearance Bias ↔ Latent-Action Pretraining（失败模式 → 被修复范式）
- JEPA for Robotics ↔ World Model (LeCun)（embodied 实例化 → 理论框架）

**复用已有概念**：[[jepa]]、[[vla-vision-language-action]]、[[world-model-lecun]]、[[flow-matching]]

# 📚 Wiki 集成
- 新增页面：9 个（1 论文 + 7 概念 + 1 Review）
- 复用已有概念：4 个
- 总规模：1177 → 1186 页

# 💡 关键洞察

1. **学对目标 > 学更多数据** — VLA-JEPA 用 villa-X 不到 1% 的训练数据超越了它。不是因为模型更大或数据更多，而是因为学对了目标（latent space state transition vs pixel variation）。这与 sz 的 wiki 中 "Harness > SSM > Attention" 的优先级哲学一致：架构设计（消除信息泄漏）的杠杆远大于堆数据。

2. **JEPA 从感知到行动的跨越** — VLA-JEPA 证明了 JEPA 不仅适用于视频表示学习，在需要生成动作的 embodied AI 场景同样有效。关键在于 latent space prediction 对机器人特有的相机/光照扰动天然鲁棒——这不只是更好的表示学习，而是更适合 embodied 场景的架构选择。