V-JEPA-LM 发布:反事实监督让语言模型读懂视频

V-JEPA-LM 系列模型(1B-8B)将冻结的 V-JEPA 2.1 视频编码器接入 LLM,并采用反事实监督训练——对同一视频做正放/倒放等像素变换,答案集合由时间反转决定——使语言模型能从预测式视频编码器中读出运动动态而非仅静态外观。评测显示 4B 级模型平均准确率从 61.1 提升至 72.1。

2026-11-16 ~ 2026-11-17 · 2 条相关