V-JEPA 2.1：视频自监督学习显著提升机器人操纵导航

V-JEPA 2.1 是一种先进的自监督学习模型家族，旨在统一提升图像与视频的密集特征提取及全局场景理解能力。该研究通过引入全令牌密集预测损失和深度自监督机制，克服了以往模型在捕捉细粒度空间结构方面的局限性。这些创新使得模型能够生成具有高度空间结构化、语义连贯且时间一致的表征，在物体交互预测和深度估计等任务中表现卓越。此外，V-JEPA 2.1 支持多模态分词器，实现了在海量图像与视频数据上的协同缩放。实验证明，该模型在机器人操纵与导航等实际应用中取得了显著的性能提升，有效推动了视觉世界建模技术的发展。