VLA-JEPA 方法详解

像素中有光照、纹理、相机运动等干扰。模型不重建像素，而是预测 V-JEPA2 的 latent state。只有当目标编码器对某些外观变化具有不变性时，这种训练才会相应弱化这些变化的影响；JEPA 本身不自动保证“所有 embedding 都是语义”。