H-JEPA के पीछे के शोधकर्ता H-JEPA एक ऐसा तरीका बताते हैं जिससे दृश्य विश्व मॉडल कई समय-स्तरों पर योजना बना सकता है। एक सिम्युलेटेड भूलभुलैया में उनके तीन-स्तरीय योजनाकार ने 73% कार्य पूरे किए, जबकि सपाट मॉडल ने 18%; साथ ही योजना की गणना भी कम लगी। 5 अक्टूबर का शोधपत्र रिकॉर्ड किए गए वास्तविक रोबोट वीडियो भी परखता है, लेकिन इन परीक्षणों में प्रस्तावित रास्तों को ऑफलाइन अंक दिए जाते हैं; रोबोट को योजना करते हुए दिखाया नहीं जाता।

रोबोटिक्स शोधकर्ताओं और इंजीनियरों के लिए उपयोगी प्रश्न यह है कि सुधार लंबी योजना को छोटे चरणों में बाँटने से आता है, लक्ष्य की ओर प्रगति को बेहतर मापने की विधि सीखने से, या दोनों से। शोधपत्र इन व्याख्याओं को अलग-अलग परखता है। दृश्य योजना अनुसंधान के लिए परिणाम आशाजनक हैं, लेकिन भौतिक रोबोटों के बारे में निष्कर्ष निकालने की महत्वपूर्ण सीमाएँ हैं।

बड़ा बदलाव

  • क्या बदला: H-JEPA क्रियाओं पर निर्भर पूर्वानुमान मॉडल की परतें प्रशिक्षित करता है। हर स्तर अपनी सीखी हुई अभिव्यक्ति में आगे का समय देखता है, और योजनाकार ऊपरी स्तर की अनुमानित अवस्थाओं को निचले स्तर के उप-लक्ष्यों में बदलता है।
  • यह क्यों मायने रखता है: Visual AntMaze में लेखक तीन-स्तरीय योजना की सफलता 73.3% और सपाट आधार मॉडल की 18.0% बताते हैं। एब्लेशन से संकेत मिलता है कि छोटे योजना-खंड और ऊपरी स्तर पर लक्ष्य की अधिक उपयोगी अभिव्यक्ति, दोनों योगदान देते हैं। रोबोटिक्स टीम पदानुक्रम को एक अविभाज्य सुधार मानने के बजाय दोनों तरीकों का अलग-अलग अध्ययन कर सकती है।
  • क्या देखना है: चारों कार्य-परिवेश सिम्युलेटेड हैं। अतिरिक्त DROID परीक्षण नियोजित रोबोटिक भुजा-पथों की तुलना रिकॉर्ड किए गए विशेषज्ञ-पथों से करता है; विविध भौतिक परिवेशों में बंद-लूप परीक्षण एक अलग, अभी अनुत्तरित प्रश्न का उत्तर देगा।

कई समय-स्तरों पर योजना

विश्व मॉडल अनुमान लगाता है कि किसी क्रिया के बाद परिवेश कैसे बदल सकता है। H-JEPA संयुक्त-एम्बेडिंग पूर्वानुमान आर्किटेक्चर, यानी JEPA, का उपयोग करता है। यह हर छवि-पिक्सेल को फिर से बनाने के बजाय भविष्य के अवलोकनों की संक्षिप्त अभिव्यक्तियों का अनुमान लगाता है। इसका शोधपत्र अवलोकन और क्रिया-क्रमों पर संयुक्त रूप से प्रशिक्षित पदानुक्रम बताता है। सबसे निचला स्तर सबसे सूक्ष्म समय-चरणों का अनुसरण करता है। हर ऊपरी स्तर नीचे के स्तर से अभिव्यक्तियाँ लेता है, लंबी अवधि की क्रियाओं को जोड़ता है और अलग latent space में आगे का अनुमान लगाता है।

योजना वर्तमान अवलोकन और लक्ष्य-अवलोकन से शुरू होती है। सबसे ऊपरी स्तर लक्ष्य तक मोटा रास्ता खोजता है। उसकी अनुमानित अवस्थाएँ अगले स्तर को दिशा देती हैं, जो रास्ते को परिष्कृत करता है। सबसे निचला स्तर क्रियाएँ बनाता है। सिम्युलेटेड बंद-लूप मूल्यांकन में प्रणाली पहले कुछ क्रियाएँ करती है, परिणामस्वरूप अवस्था देखती है और फिर योजना बनाती है। शोधकर्ता इसकी तुलना LeWM से करते हैं—उसी पहले स्तर के JEPA से, जिसे अकेले प्रशिक्षित और योजना के लिए इस्तेमाल किया गया—और उस समय-पदानुक्रम से जिसके सभी स्तर एक अभिव्यक्ति साझा करते हैं।

भूलभुलैया में अलग-अलग अभिव्यक्तियाँ महत्वपूर्ण हैं, क्योंकि लक्ष्य किसी स्थान तक पहुँचना हो सकता है, जबकि चींटी के पैरों की मुद्रा तेज़ी से बदलती है। लेखकों की जाँच में H-JEPA के ऊपरी स्तर चींटी का स्थान बनाए रखते थे, लेकिन पैरों की मुद्रा का विवरण वापस निकालना कठिन करते थे। FourRoom में भी ऐसा ही पैटर्न मिला: स्वतंत्र रूप से चलने वाला विचलन ऊपरी स्तरों पर कम प्रमुख हो गया। मैनिपुलेशन डेटासेट में प्रभाव बहुत कमजोर था, जहाँ मापी गई तेज़ और धीमी गति का अंतर कम था। शोधपत्र यह साबित नहीं करता कि हर कार्य में सूक्ष्म विवरण छोड़ना लाभकारी है।

तुलनाएँ क्या दिखाती हैं

लेखकों ने Visual AntMaze और FourRoom Distractors में नेविगेशन, तथा Push-T और OGBench Cube में मैनिपुलेशन का मूल्यांकन किया। ये स्थिर कैमरों और पृष्ठभूमि वाले सिम्युलेटेड कार्य हैं। अलग-अलग योजना-बजट में स्तरों की संख्या तीन तक बढ़ाने से AntMaze, FourRoom और Cube में सफलता और गणना के बीच संतुलन बेहतर हुआ। Push-T अपवाद था: परीक्षण किए गए बजट में दो स्तर सपाट आधार मॉडल के बराबर या बेहतर थे, जबकि तीन स्तरों का प्रदर्शन कमजोर था। लेखक इसके छोटे एपिसोड का उल्लेख करते हैं, जिनसे गहरे मॉडलों के लिए उपयोगी प्रशिक्षण क्लिप कम मिलते हैं।

अलग AntMaze कार्य-समूह में सपाट LeWM आधार मॉडल की औसत सफलता 18.0% थी, और मानक त्रुटि 3.5 प्रतिशत-अंक थी, जबकि पूर्ण तीन-स्तरीय H-JEPA योजना की औसत सफलता 73.3% थी, और मानक त्रुटि 3.5 प्रतिशत-अंक थी। दोनों आँकड़े मॉडल और योजनाकार के तीन जोड़ीदार seed पर लेखकों द्वारा बताई गई औसत संख्याएँ हैं। शोधपत्र की सफलता बनाम योजनाकार FLOPs की तुलना भी दिखाती है कि पदानुक्रम कम मापी गई योजना-गणना के साथ अधिक सफलता पाता है। यह रोबोट के प्रशिक्षण और तैनाती की कुल लागत नहीं मापती।

एब्लेशन हर हिस्से के योगदान को स्पष्ट करते हैं। एक साझा अभिव्यक्ति वाला समय-पदानुक्रम चारों परिवेशों में सपाट आधार मॉडल से बेहतर था, जो योजना को बाँटने के लाभ का संकेत देता है। AntMaze में ऊपरी स्तर की अभिव्यक्ति का उपयोग केवल सपाट योजनाकार द्वारा अनुमानित लक्ष्य-दूरी को अंक देने के लिए करने पर भी सफलता बढ़ी। फिर भी अकेला यह बदलाव पूर्ण पदानुक्रमित योजनाकार के 73.3% औसत तक नहीं पहुँचा। इस मूल्यांकन में दोनों प्रभाव एक-दूसरे के पूरक हैं। Push-T और Cube में, जहाँ शोधपत्र को चयनात्मक अमूर्तन का कम प्रमाण मिला, केवल लक्ष्य-लागत अभिव्यक्ति बदलने से स्पष्ट लाभ नहीं हुआ।

वास्तविक रोबोट वीडियो की सीमा

शोधकर्ताओं ने DROID रोबोट-मैनिपुलेशन वीडियो भी इस्तेमाल किए। रिकॉर्ड किए गए एपिसोडों में दृश्य, वस्तुएँ और रोशनी बदलती हैं। शोधपत्र के अनुसार इस स्थिति में केवल पूर्वानुमान करने वाला मॉडल स्थिर पृष्ठभूमि को प्राथमिकता दे सकता है और चलते रोबोट की जानकारी खो सकता है। टीम ने inverse-dynamics loss जोड़ा और एक घटक को लगातार सीखी गई अवस्थाओं के बीच की क्रिया का अनुमान लगाने के लिए प्रशिक्षित किया, ताकि अभिव्यक्ति एजेंट की गति बनाए रखे। इस बदलाव के साथ सीखे गए दो-स्तरीय पदानुक्रम ने शोधपत्र के ऑफलाइन योजना-निष्ठा माप में सपाट आधार मॉडल से बेहतर परिणाम दिया और योजनाकार की गणना कम की।

यह माप प्रस्तावित त्रि-आयामी end-effector पथ की तुलना रिकॉर्डिंग में विशेषज्ञ-पथ से करता है। शोधपत्र के अंशांकन के अनुसार विशेषज्ञ-पथ का मान 100% और स्थिर भुजा का 0% है। यह नहीं मापता कि प्रस्तावित क्रियाएँ करने के बाद रोबोट कार्य पूरा करेगा या नहीं। बदलते दृश्यों के लिए डेटासेट में सिम्युलेटर नहीं है, इसलिए लेखकों ने DROID योजनाओं का मूल्यांकन खुले-लूप में किया। BIG CHANGE ने मॉडल को प्रशिक्षित नहीं किया, सार्वजनिक कोडनहीं चलाया, और रोबोट का परीक्षण नहीं किया।

कोड भंडार में प्रशिक्षण और योजना स्क्रिप्ट तथा शोधपत्र के चुने हुए चित्र और तालिकाएँ दोहराने के निर्देश हैं। इससे शोधकर्ता विधि की जाँच कर सकते हैं, लेकिन शोधपत्र अभी प्रीप्रिंट है और भौतिक दुनिया के साक्ष्य ऑफलाइन ही हैं। हमारी पिछली GPT-Policy रिपोर्ट संदर्भ उदाहरणों और रोबोट-टूल अनुरोधों पर आधारित अलग तरीका बताती है; उसके परिणाम H-JEPA की विश्व-मॉडल योजना को प्रमाणित नहीं करते।

स्रोत और आगे पढ़ें

  • Zhang और सहलेखक, “H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning,” arXiv v1: 5 अक्टूबर 2026 को जमा किया गया मुख्य प्रीप्रिंट। अनुभाग 2–4 और योजना परिशिष्ट विधि, सिम्युलेटर तुलना, तीन seed वाले AntMaze आँकड़े और DROID ऑफलाइन प्रोटोकॉल बताते हैं। ये लेखकों के परिणाम हैं, स्वतंत्र पुनरुत्पादन या भौतिक तैनाती के साक्ष्य नहीं।
  • H-JEPA परियोजना पृष्ठ: पदानुक्रमित पूर्वानुमान, ऊपर से नीचे योजना, चार सिम्युलेटेड परिवेश और DROID निष्ठा परीक्षण पर लेखकों की दृश्य व्याख्या। उदाहरण रिपोर्ट किए गए प्रयोग दिखाते हैं; चुने हुए वीडियो हर परीक्षण का प्रदर्शन-डेटा नहीं हैं।
  • H-JEPA सार्वजनिक कोड भंडार: लेखकों का प्रशिक्षण और योजना कार्यान्वयन, परिवेशों की सूची और चुने हुए परिणाम दोहराने के निर्देश। BIG CHANGE ने भंडार का विवरण और निर्देश देखे, लेकिन कोड नहीं चलाया।
  • BIG CHANGE, “GPT-Policy रोबोटिक भुजा और मोबाइल-अन्वेषण कार्यों में संदर्भ जाँचता है”: रोबोटिक्स की एक अलग शोध-विधि पर पिछली कवरेज। यह संदर्भ देती है, H-JEPA परिणामों का प्रमाण नहीं।