600 प्रयोगों में JEPA World Model के राज़
मूल शीर्षक: After 600 experiments, here's what I discovered about JEPA world models
यह क्यों महत्वपूर्ण है
JEPA को Retraining के बिना बेहतर बनाना, Generative Models पर निर्भरता कम करने का व्यावहारिक रास्ता दिखाता है।
शोधकर्ता Haddy Alchaer ने नवंबर 2026 में 600 प्रयोगों के बाद बताया कि LeWM पर बिना दोबारा Training के 4 नई Planning विधियाँ खोजीं, जिससे सफलता दर 22% से 85% तक पहुँची।
AI में इस वक्त एक बड़ी बहस चल रही है — World Model होना क्या चाहिए? Generative World Models pixel-level भविष्यवाणी करते हैं, लेकिन Yann LeCun जैसे वैज्ञानिक मानते हैं कि अधिकतर pixels निर्णय लेने में अनावश्यक हैं। उनका प्रस्तावित विकल्प है JEPA (Joint-Embedding Predictive Architecture), जिसमें तीन हिस्से होते हैं: Encoder, Predictor और Planner। यह पूरा तंत्र Embedding Space में काम करता है, इसलिए Model केवल वही सीखता है जो Action के लिए ज़रूरी है।
इस साल LeCun की टीम ने LeWM नाम का JEPA World Model जारी किया, जिसका मुख्य Benchmark Push-T है — एक Simulation जहाँ Robot एक T-आकार के ब्लॉक को Goal Position तक धकेलता है। Alchaer ने कई महीनों में 600 प्रयोग चलाए।
पहले उन्होंने Predictor की जगह Simulator की सटीक Physics लगाई — नतीजा चौंकाने वाला था। Vanilla LeWM की सफलता दर 78% रही, जबकि Real Physics वाले Version की 77%। यानी LeWM की भविष्यवाणियाँ पहले से ही लगभग Perfect Physics जितनी अच्छी हैं।
फिर उन्होंने बिना कोई Retraining किए 4 नई Planning विधियाँ खोजीं। पहली दो विधियों ने मिलकर Long-Horizon Tasks (75 Steps दूर Goal) में सफलता दर 22% से बढ़ाकर 85% कर दी — जो Expert Demonstration से मिले आदर्श Subgoals के बराबर है। तीसरी और चौथी विधियों में से एक — Goal Scoring में एक अकेला बदलाव — ने सफलता दर में 60 अंकों की वृद्धि की, जो Perfect Physics बदलने से तीन गुना अधिक असर डालता है।