跳到正文
热点事件持续更新

发布V-JEPA-LM:利用世界模型编码器动态信息的视频语言模型

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

Keuntae Kim、Dongjun Kim 与 Yong Suk Choi 向 arXiv 提交论文(2611.17831),提出基于 V-JEPA 世界模型编码器的反事实监督训练方法,并发布 V-JEPA-LM 视频语言模型。论文称,V-JEPA 等世界模型编码器学到的动态信息未被视频语言模型利用:线性探针可从冻结 V-JEPA 特征以 87% 准确率读出速度,而现有 VLM 接近随机。 据论文介绍,V-JEPA-LM(1B 至 8B,基于 Qwen3 和 Llama)在 453 万公开样本上单阶段训练,每帧 32 个视觉 token;相比之下开源视频 LLM 通常需多阶段训练、900 万至 1.72 亿样本、每帧 64 至 256 个 token。论文称该模型在十一个视频基准上的平均得分领先所有同规模模型。

AI 根据报道生成 · 3 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月16日
  1. arXiv cs.AI
    V-JEPA-LM:让视频语言模型读出编码器中被浪费的动态信息

    研究者提出 V-JEPA-LM,指出 V-JEPA 等世界模型编码器学到的动态信息未被视频语言模型利用:线性探针可从冻结 V-JEPA 特征以 87% 准确率读出速度,VLM 却接近随机。

本事件热度走势

可比范围当前
9
可比范围峰值
1011月16日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。