JEPA-Anything usa una ricetta per modellare sette mondi diversi
I ricercatori costruiscono un modello predittivo del mondo indipendente dal dominio, che opera nei campi della visione, della biologia, della medicina, della fisica e della meteorologia senza doverlo ridisegnare per ogni settore.

Un Modello, Sette Mondi
Un team di ricercatori di PhAI Labs, CUHK, Fudan, Stanford, Oxford e Princeton ha rilasciato JEPA-Anything, un framework che impara modelli predittivi attraverso sette settori profondamente diversi utilizzando una singola ricetta condivisa.
L'idea alla base dei modelli predittivi del mondo — sistemi di intelligenza artificiale che prevedono come il mondo cambia nel tempo — è stata tradizionalmente specifica per ogni dominio. Si potrebbe addestrare un modello per i video, un altro per la robotica e un terzo per le simulazioni molecolari. JEPA-Anything salta questo passo. Applica lo stesso metodo fondamentale alla visione, alla biologia, ai percorsi clinici, al controllo, alla dinamica molecolare, ai campi fisici e alla meteorologia.
Il team attribuisce questa flessibilità a una tecnica chiamata Fattorizzazione Predittiva Ortogonale, o OPF, che, secondo loro, risolve una debolezza chiave dei sistemi JEPA standard.
La correzione della fattorizzazione
Un JEPA standard, come I-JEPA o V-JEPA 2, prevede un unico target unificato. I ricercatori definiscono questo un problema di allocazione della capacità: le caratteristiche ad alta varianza dominano mentre le modalità più deboli ricevono segnali di addestramento contraddittori. In pratica, questo significa che il modello diventa bravo a prevedere alcune cose ma meno accurato in altre.
OPF risolve questo problema suddividendo il target latente in K sottospatiali separati — nella maggior parte degli esperimenti si usano quattro — ognuno con il proprio predicatore dedicato. Dopo la previsione, i fattori vengono ricombinati matematicamente per formare uno stato latente completo. Tre regole integrate tengono ogni fattore utile e ne prevengono la sovrapposizione.
Su un test chiamato CITRIS Interventional Pong, la versione ortogonale del modello ha raggiunto un numero di condizione vicino a 1,0, rispetto a 438,52 per un modello non ortogonale con capacità equivalente. Questo significa che i fattori sono rimasti chiaramente separati durante l'addestramento.
Risultati attraverso i domini
JEPA-Anything ha migliorato le metriche riportate su tutte le dieci attività dinamiche abbinatestate. Su Interventional Pong, l'errore di previsione a singolo intervento è diminuito di circa il 35 percento. Sul benchmark dell'equazione di Burgers, l'errore di rollout a sei passaggi si è ridotto di circa il 45 percento [fonte 1]. Nella dinamica molecolare, il modello ha ottenuto gli errori mono-passo e a 100 passaggi più bassi su quattro sostanze tra cui acqua e benzene.
Oltre alla previsione pura, il sistema ha prodotto insight scientifici inaspettati. Durante l'analisi di dati biologici a singola cellula, una combinazione di blocco IL-18 e CD73 nominata dai fattori è stata poi confermata attraverso esperimenti in laboratorio umido su colture cellulari, organoidi derivati da pazienti, frammenti tumorali e topi. Il modello ha anche recuperato la legge di Keplero sul moto planetario da pattern orbitali latenti, con un esponente stimato di -1,4991 contro il valore teorico di -1,5 [fonte 1].
Le prestazioni di pianificazione sono state contrastanti. Il sistema ha migliorato i risultati sui benchmark robotici Walker2d e HalfCheetah, ma il JEPA standard ha performato meglio su Hopper.
Aperto alla comunità
Il codice sorgente è concesso in licenza Apache-2.0, e i checkpoint di ricerca sono disponibili su Hugging Face. I ricercatori sostengono che i loro risultati mostrano come un principio predittivo fattorizzato comune possa collegare la modellazione del mondo con l'intervento nel mondo reale e la scoperta scientifica.
Il paper è disponibile su arXiv come JEPA-Anything: Learning Predictive Models across Different Worlds, insieme al codebase completo e ai checkpoint del modello.
I fatti principali
- JEPA-Anything usa una ricetta condivisa in sette domini invece di modelli personalizzati per ogni campo
- La Fattorizzazione Predittiva Ortogonale suddivide le previsioni in fattori separati con predicatori dedicati
- L'errore a singolo intervento su Interventional Pong è diminuito del 34,83 percento rispetto alle baseline abbinati
- L'analisi fattoriale ha nominato un intervento oncologico poi confermato negli esperimenti in laboratorio umido
- Il codice sorgente è Apache-2.0 con checkpoint su Hugging Face
Fonti
- Beyond Domain-Specific World Models: JEPA-Anything Uses 1 Recipe for 7 Fields — marktechpost.com
- JEPA-Anything: Learning Predictive Models across Different Worlds
- JEPA-Anything: Learning Predictive Models across Different Worlds
- GitHub - Gen-Verse/JEPA-Anything: JEPA-Anything: Learning Predictive ...
- JEPA-Anything: Single Model Trains Across 7 Domains — aidailypost.com
Questa notizia è stata scritta prima che ogni paragrafo avesse il numero della sua fonte: ogni fatto viene da una delle fonti qui sopra.
Se questa notizia riguarda te o la tua azienda, o usa qualcosa che ti appartiene, chiedi una correzione o la rimozione. Come funzionano le richieste
Continua a leggere
Come funzionaUn nuovo metodo permette ai cervelli dei robot di imparare dai video umani senza dover toccare costosi dati roboticiHerald of AIShixart1985, CC BY 2.0, via Wikimedia Commons
Un nuovo metodo permette ai cervelli dei robot di imparare dai video umani senza dover toccare costosi dati robotici
Un team di ricerca ha mostrato come usare video umani quotidiani per insegnare nuove attività ai robot, riducendo il costo della raccolta di rara esperienza robotica.
I ricercatori propongono Avatar Intelligence per migliorare gli agenti AI nelle attività quotidiane
Un nuovo quadro di ricerca suggerisce di misurare i progressi dell'AI valutando quanto gli agenti personali aiutano le persone a perseguire i propri obiettivi con meno supervisione.
App e prodottillama.cpp v1.0.0 dà stabilità al mondo in crescita dell'AI localeHerald of AI
llama.cpp v1.0.0 dà stabilità al mondo in crescita dell'AI locale
Il popolare strumento open-source che permette a chiunque di eseguire modelli di AI sul proprio computer, senza inviare dati alle grandi aziende del cloud, ha raggiunto la versione 1.0, diventando più affidabile per gli sviluppatori che costruiscono app AI private.