新智元报道 ...

VL-JEPA架构彻底抛弃了传统视觉语言模型逐个Token生成的低效模式，转而在抽象的嵌入空间中直接预测语义，以一半的参数量实现了SOTA的性能，并为实时视频理解带来了近3倍的效率提升。

直接给结论，不用。 甚至可以说，都要2026年了，如果你现在还抱着十年前的教材，非要先啃明白RNN，再搞懂LSTM里那个该死的遗忘门，最后才敢翻开Transformer的第一页，那你纯粹是在浪费生命。

NEPA 正是将这种 GPT 式的哲学引入视觉领域的一次大胆尝试。作者认为，与其学习如何重建图像，不如学习如何“推演”图像。如果模型能够根据已有的视觉片段（Patches），准确预测出下一个片段的特征表示（Embedding），那么它一定已经理解了图像的语义结构和物体间的空间关系。

Google's real-time translator looks ahead and anticipates what is being said, explains Niklas Blum, Director Product ...