针对masked video pretraining主要恢复遮挡内容、autoregressive next-token预测在表征质量上仍不及joint-embedding的问题,VANE把视觉自监督预训练改成在嵌入空间预测未来帧,将学习信号从补全当前片段转向时间演化:该预测以整帧语义嵌入为目标,避免像素级外观建模;causal encoder以frame-causal attention汇总过去帧,state predictor在隔离上下文与目标注意力的约束下推断整帧表征,冻结DINOv2提供固定语义目标,轻量flow-matching解码器重建未来patch以补充细粒度空间信息;图像则组织为local-to-global crop序列,使图像与视频共用该目标。作者在VISTA语料训练ViT-g编码器,评测时冻结编码器,仅训练轻量探针,报告该模型在多数图像视频统一编码器基准中领先,其中EPIC-KITCHENS-100动作预期得分45.5,比V-JEPA 2.1高7.1个点。消融显示帧级预测优于next-token,next-crop图像目标优于masked completion,生成解码器主要提升稠密感知;模型与数据扩展、长视频后训练和高分辨率cooldown仍继续收益。
为什么重要 把「预测未来」本身做成主监督信号,统一图像与视频预训练;四阶段训练配方与消融对具身/驾驶视觉 backbone 与世界模型训练有直接参考价值。适合 视觉预训练、世界模型与具身感知方向的算法/数据工程师
Ego4D mAP
V-JEPA 2.1 为 6.75
Ego4D 框 AP
较 V-JEPA 2.1 提 10.6 分
ADE20K
mIoU;V-JEPA 2.1 为 47.8
KITTI RMSE
V-JEPA 2.1 为 2.601
训练算力
单位 GPU 时,分四阶段
注释 · 全部评测基于冻结特征+轻量 probe;数值均为作者自报。出自 §4.1–4.3
注释 · mean-class recall@5,验证集,1 秒预判间隙;VANE verb 65.7 / noun 67.6。出自 表 1



四任务平均 83.6 → 85.4;Diving-48 上 V-JEPA 2 仍以 90.1 领先
| 方法 | IN1K | K400 | SSv2 | Diving-48 |
|---|---|---|---|---|
| V-JEPA 2 1B | 84.6 | 86.5 | 75.5 | 90.1 |
| V-JEPA 2.1 1B | 83.7 | 86.2 | 75.3 | 89.0 |
| VANE 1B | 87.5 | 88.6 | 75.9 | 89.7 |
| DINOv3 ViT-H+ 0.8B | 88.2 | 86.6 | 63.1 | 85.3 |
注释 · attentive probe + 冻结特征,输入 256×256;Toto 文献值 IN1K 75.3、K400 74.4。出自 表 3