Markdown आवृत्ती

AI-translated from English; not yet reviewed by a fluent editor.

# H-JEPA श्रेणीबद्ध विश्व-मॉडेल वापरून सिम्युलेटेड कामांतील दृश्य नियोजन सुधारते

> H-JEPA चा तीन-स्तरीय नियोजक सिम्युलेटेड AntMaze मधील यश 18% वरून 73% पर्यंत वाढवतो आणि नियोजनासाठी कमी संगणकीय क्षमता वापरतो. प्रत्यक्ष रोबोटच्या व्हिडिओवरील त्याचे निकाल ऑफलाइन मार्गांची अचूकता मोजतात; रोबोटने काम पूर्ण केले का, हे नव्हे.

By BIG CHANGE Editorial

Published: 2026-10-12T02:56:09.290Z
Updated: 2026-10-12T02:56:09.290Z
Canonical: https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning

![A small orange sphere rests inside a raised tabletop maze, with a segmented orange route visible through the passages.](https://bigchange.ai/api/media/file/hjepa-maze-concept-hero-v2.png)
AI-generated conceptual illustration of hierarchical navigation planning by BIG CHANGE. The maze is not the AntMaze environment or a physical robot test.

H-JEPA मागील संशोधकांनी [H-JEPA ](https://arxiv.org/html/2610.06805v1)द्वारे दृश्य विश्व-मॉडेल अनेक कालमानांवर नियोजन कसे करू शकते हे मांडले. एका सिम्युलेटेड भूलभुलैयात त्यांच्या तीन-स्तरीय नियोजकाने 73% कामे पूर्ण केली; सपाट मॉडेलने 18% केली, आणि नियोजनासाठी कमी संगणकीय क्षमता लागली. 5 ऑक्टोबरच्या लेखात प्रत्यक्ष रोबोटचे रेकॉर्ड केलेले व्हिडिओही तपासले आहेत, परंतु त्यात प्रस्तावित मार्गांना ऑफलाइन गुण दिले जातात; रोबोट योजना प्रत्यक्ष राबवताना दिसत नाही.

रोबोटिक्स संशोधक आणि अभियंत्यांसाठी उपयुक्त प्रश्न असा आहे की सुधारणा दीर्घ योजना लहान टप्प्यांत विभागल्यामुळे झाली, ध्येयाकडे जाणारी प्रगती अधिक चांगली मोजायला शिकल्यामुळे झाली, की दोन्हीमुळे. लेख या स्पष्टीकरणांची स्वतंत्रपणे चाचणी घेतो. दृश्य नियोजन संशोधनासाठी निकाल आशादायक आहेत, पण प्रत्यक्ष रोबोटविषयी काय निष्कर्ष काढता येतात याला महत्त्वाच्या मर्यादा आहेत.

## मोठा बदल

- **काय बदलले:** H-JEPA कृतींवर अवलंबून असलेल्या पूर्वानुमान मॉडेल्सची रचना प्रशिक्षित करते. प्रत्येक स्तर स्वतःच्या शिकलेल्या प्रतिनिधित्वात पुढे पाहतो; नियोजक वरच्या स्तरातील अनुमानित स्थितींना खालच्या स्तराची उपध्येये बनवतो.
- **हे महत्त्वाचे का:** Visual AntMaze मध्ये लेखकांनी तीन-स्तरीय नियोजनासाठी 73.3% यश नोंदवले, तर सपाट आधार मॉडेलसाठी ते 18.0% होते. Ablation चाचण्यांनुसार लहान नियोजन-खंड आणि वरच्या स्तरावरील अधिक उपयुक्त ध्येय-प्रतिनिधित्व या दोन्हींचा वाटा आहे. श्रेणीबद्ध रचनेला अविभाज्य सुधारणा न मानता रोबोटिक्स पथक या दोन यंत्रणा स्वतंत्रपणे तपासू शकते.
- **कशाकडे लक्ष द्यावे:** चारही कामांची वातावरणे सिम्युलेटेड आहेत. अतिरिक्त DROID चाचणी नियोजित रोबोट-हाताच्या मार्गांची तुलना रेकॉर्ड केलेल्या तज्ज्ञांच्या मार्गांशी करते; विविध प्रत्यक्ष वातावरणांतील closed-loop चाचणी वेगळ्या, अद्याप अनुत्तरित प्रश्नाचे उत्तर देईल.

## अनेक कालमानांवरील योजना

एखाद्या कृतीनंतर वातावरण कसे बदलू शकते याचा विश्व-मॉडेल अंदाज बांधते. H-JEPA joint-embedding predictive architecture, म्हणजे JEPA, वापरते. प्रत्येक प्रतिमा-पिक्सेल पुन्हा तयार करण्याऐवजी ते भविष्यातील निरीक्षणांची संक्षिप्त प्रतिनिधित्वे अनुमानित करते. त्याचा [लेख ](https://arxiv.org/html/2610.06805v1) निरीक्षण आणि कृतींच्या क्रमांवर एकत्र प्रशिक्षित केलेली श्रेणीबद्ध रचना सांगतो. सर्वात खालचा स्तर सूक्ष्मतम कालपायऱ्या अनुसरतो. प्रत्येक वरचा स्तर खालच्या स्तराकडून प्रतिनिधित्व घेतो, अधिक लांब अंतरातील कृती एकत्र करतो आणि स्वतंत्र latent space मध्ये पुढचे अनुमान करतो.

नियोजनाची सुरुवात वर्तमान निरीक्षण आणि ध्येयाच्या निरीक्षणापासून होते. सर्वात वरचा स्तर ध्येयापर्यंतचा साधारण मार्ग शोधतो. त्याच्या अनुमानित स्थिती पुढच्या स्तराला मार्ग सुधारण्यास दिशा देतात. सर्वात खालचा स्तर कृती तयार करतो. सिम्युलेटेड closed-loop मूल्यमापनात प्रणाली सुरुवातीच्या कृतींचा काही भाग करते, परिणामी स्थिती पाहते आणि पुन्हा नियोजन करते. संशोधक त्याची तुलना LeWM शी करतात—एकट्याने प्रशिक्षित व नियोजनासाठी वापरलेला तोच पहिल्या स्तराचा JEPA—तसेच सर्व स्तर एकच प्रतिनिधित्व सामायिक करणाऱ्या कालिक श्रेणीशी करतात.

भूलभुलैयात स्वतंत्र प्रतिनिधित्व महत्त्वाचे आहे, कारण ध्येय एखाद्या जागी पोहोचणे असू शकते, तर मुंगीच्या पायांची स्थिती झपाट्याने बदलते. लेखकांच्या चाचण्यांत H-JEPA च्या वरच्या स्तरांनी मुंगीचे स्थान राखले, पण पायांच्या स्थितीचे तपशील पुन्हा मिळवणे कठीण केले. FourRoom मध्येही असाच नमुना दिसला: स्वतंत्रपणे हलणारा विचलित करणारा घटक वरच्या स्तरांवर कमी ठळक झाला. Manipulation डेटासेटमध्ये परिणाम खूपच कमी होता, कारण मोजलेल्या वेगवान आणि मंद हालचालींतील फरक कमी होता. सूक्ष्म तपशील वगळल्याने प्रत्येक कामाला फायदा होतो, असे लेख सिद्ध करत नाही.

## तुलना काय दाखवते

लेखकांनी Visual AntMaze आणि FourRoom Distractors मध्ये नेव्हिगेशन, तर Push-T आणि OGBench Cube मध्ये manipulation तपासले. ही स्थिर कॅमेरे आणि पार्श्वभूमी असलेली सिम्युलेटेड कामे आहेत. वेगवेगळ्या नियोजन-बजेटमध्ये स्तरांची संख्या तीनपर्यंत वाढवल्याने AntMaze, FourRoom आणि Cube मध्ये यश व संगणकीय खर्च यांचे गुणोत्तर सुधारले. Push-T अपवाद ठरला: तपासलेल्या बजेटमध्ये दोन स्तर सपाट आधार मॉडेलइतके किंवा त्याहून चांगले होते, तर तीन स्तरांची कामगिरी कमी होती. लेखक त्याच्या लहान episodes कडे निर्देश करतात; त्यामुळे खोल मॉडेल्ससाठी वापरण्यायोग्य प्रशिक्षण क्लिप कमी मिळतात.

AntMaze च्या स्वतंत्र काम-संचात सपाट LeWM आधार मॉडेलचे सरासरी यश **18.0% होते; प्रमाणित त्रुटी 3.5 टक्के-बिंदू होती**, तर संपूर्ण तीन-स्तरीय H-JEPA नियोजनाचे सरासरी यश **73.3% होते; प्रमाणित त्रुटी 3.5 टक्के-बिंदू होती**। मॉडेल आणि नियोजकाच्या तीन जोड्या random seeds वरील लेखकांनी नोंदवलेल्या सरासरी या दोन्ही संख्या आहेत. लेखातील [यश आणि नियोजक FLOPs यांची तुलना ](https://arxiv.org/html/2610.06805v1)ही दाखवते की कमी मोजलेल्या नियोजन-गणनेसह श्रेणीबद्ध रचना अधिक यश मिळवते. ती रोबोटचे प्रशिक्षण आणि तैनाती यांचा एकूण खर्च मोजत नाही.

Ablation मधून प्रत्येक घटकाचे योगदान स्पष्ट होते. एकच प्रतिनिधित्व वापरणारी कालिक श्रेणी चारही वातावरणांत सपाट आधार मॉडेलपेक्षा चांगली ठरली; योजना विभागण्याचे महत्त्व यातून दिसते. AntMaze मध्ये वरच्या स्तराचे प्रतिनिधित्व फक्त सपाट नियोजकाने अनुमानित केलेल्या ध्येयापर्यंतच्या अंतराला गुण देण्यासाठी वापरल्यानेही यश वाढले. मात्र हा बदल एकट्याने पूर्ण श्रेणीबद्ध नियोजकाच्या 73.3% सरासरीपर्यंत पोहोचला नाही. या मूल्यमापनात दोन्ही परिणाम एकमेकांना पूरक आहेत. लेखात जिथे निवडक abstraction कमी आढळले त्या Push-T आणि Cube मध्ये फक्त ध्येय-खर्च प्रतिनिधित्व बदलल्याने स्पष्ट फायदा झाला नाही.

## प्रत्यक्ष रोबोट व्हिडिओंची मर्यादा

संशोधकांनी [DROID रोबोट-manipulation व्हिडिओ](https://arxiv.org/html/2610.06805v1)ही वापरले. रेकॉर्ड केलेल्या episodes मध्ये दृश्ये, वस्तू आणि प्रकाश बदलतात. अशा परिस्थितीत केवळ पूर्वानुमान करणारे मॉडेल स्थिर पार्श्वभूमीला प्राधान्य देऊन हालणाऱ्या रोबोटची माहिती गमावू शकते, असे लेख सांगतो. पथकाने inverse-dynamics loss जोडला आणि सलग शिकलेल्या स्थितींमधील कृतीचा अंदाज लावणारा घटक प्रशिक्षित केला, जेणेकरून प्रतिनिधित्वात एजंटची हालचाल टिकेल. या बदलामुळे शिकलेली दोन-स्तरीय श्रेणी लेखाच्या ऑफलाइन नियोजन-निष्ठा मापनात सपाट आधार मॉडेलपेक्षा चांगली ठरली आणि नियोजकाचा संगणकीय वापर कमी झाला.

हे मापन प्रस्तावित त्रिमितीय end-effector मार्गाची तुलना रेकॉर्डिंगमधील तज्ज्ञांच्या मार्गाशी करते. लेखाच्या calibration नुसार तज्ज्ञ मार्ग 100% आणि स्थिर हात 0% आहे. प्रस्तावित कृती केल्यानंतर रोबोट काम पूर्ण करेल का, हे ते मोजत नाही. बदलणाऱ्या दृश्यांसाठी डेटासेटमध्ये simulator नाही, म्हणून लेखकांनी DROID योजना open-loop पद्धतीने तपासल्या. BIG CHANGE ने मॉडेल प्रशिक्षित केले नाही, [सार्वजनिक कोड](https://github.com/kevinghst/H-JEPA)चालवला नाही, आणि रोबोटची चाचणीही केली नाही.

कोड repository मध्ये प्रशिक्षण व नियोजन scripts आणि लेखातील निवडक आकृत्या व तक्ते पुन्हा तयार करण्याच्या सूचना आहेत. त्यामुळे संशोधकांना पद्धत तपासता येते; पण लेख अद्याप preprint आहे आणि प्रत्यक्ष जगातील पुरावे ऑफलाइनच आहेत. आमचा आधीचा [GPT-Policy अहवाल ](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents)संदर्भ उदाहरणे आणि रोबोट-टूल विनंत्यांवर आधारित वेगळ्या पद्धतीबद्दल आहे; त्याचे निष्कर्ष H-JEPA च्या विश्व-मॉडेल नियोजनाला प्रमाणित करत नाहीत.

## स्रोत आणि पुढील वाचन

- [Zhang आणि सहकारी, “H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning,” arXiv v1](https://arxiv.org/html/2610.06805v1): 5 ऑक्टोबर 2026 रोजी सादर केलेला मुख्य preprint. विभाग 2–4 आणि नियोजन परिशिष्टात पद्धत, simulator तुलना, तीन seeds वरील AntMaze आकडे आणि DROID ऑफलाइन protocol दिले आहेत. हे लेखकांचे निकाल आहेत; स्वतंत्र पुनरुत्पादन किंवा प्रत्यक्ष तैनातीचे पुरावे नाहीत.
- [H-JEPA प्रकल्प पृष्ठ](https://h-jepa.com/): श्रेणीबद्ध पूर्वानुमान, वरून-खाली नियोजन, चार सिम्युलेटेड वातावरणे आणि DROID fidelity चाचणी यांचे लेखकांनी केलेले दृश्य स्पष्टीकरण. उदाहरणे नोंदवलेल्या प्रयोगांचे चित्रण करतात; निवडक व्हिडिओ प्रत्येक trial ची कामगिरी दर्शवत नाहीत.
- [H-JEPA सार्वजनिक कोड repository](https://github.com/kevinghst/H-JEPA): लेखकांचे प्रशिक्षण व नियोजन कार्यान्वयन, वातावरणांची यादी आणि निवडक निकाल पुन्हा मिळवण्याच्या सूचना. BIG CHANGE ने repository चे वर्णन व सूचना पाहिल्या, पण कोड चालवला नाही.
- [BIG CHANGE, “GPT-Policy रोबोटिक हात आणि मोबाइल अन्वेषण कामांत संदर्भ तपासते”](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents): रोबोटिक्समधील वेगळ्या संशोधन-पद्धतीवरील पूर्वीचे वृत्तांकन. पार्श्वभूमी म्हणून उपयुक्त; H-JEPA निकालांचा पुरावा नाही.

## Sources

- [H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning, arXiv v1](https://arxiv.org/html/2610.06805v1) — पद्धत, चार सिम्युलेटेड कामांचे मूल्यमापन, AntMaze निकाल व ablation, आणि DROID ऑफलाइन Fréchet-fidelity protocol यांवरील मुख्य preprint. लेखकांनी मिळवलेले निकाल; स्वतंत्र पुनरुत्पादन किंवा प्रत्यक्ष तैनाती नाही.
- [H-JEPA लेखकांचे प्रकल्प पृष्ठ](https://h-jepa.com/) — श्रेणीबद्ध रचना आणि प्रयोगांचे लेखकांचे स्पष्टीकरण व दृश्य उदाहरणे. निवडक व्हिडिओ निकाल दाखवतात, पण प्रत्येक trial चे परिणाम देत नाहीत.
- [H-JEPA सार्वजनिक कोड repository](https://github.com/kevinghst/H-JEPA) — लेखकांचे प्रशिक्षण/नियोजन कार्यान्वयन आणि निवडक आकृत्या व तक्ते पुन्हा तयार करण्याच्या सूचना. BIG CHANGE ने ते दस्तऐवज म्हणून पाहिले; कोड चालवला नाही.
- [BIG CHANGE, GPT-Policy रोबोटिक हात आणि मोबाइल अन्वेषण कामांत संदर्भ तपासते](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — वेगळ्या रोबोटिक्स पद्धती व प्रयोगावरील संबंधित पूर्वीचे वृत्तांकन. फक्त पार्श्वभूमी; followUpTo संबंध नाही.