Markdown издање

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

# H-JEPA побољшава визуелно планирање у симулираним задацима помоћу хијерархијског модела света

> Планер H-JEPA са три нивоа повећава успех у симулираном AntMaze-у са 18% на 73%, уз мање рачунарских ресурса за планирање. Резултати на снимцима стварних робота мере верност путања ван мреже, а не то да ли робот извршава задатак.

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.

Истраживачи који су развили [H-JEPA ](https://arxiv.org/html/2610.06805v1)представљају начин да визуелни модел света планира на више временских скала. У једном симулираном лавиринту њихов планер са три нивоа завршио је 73% задатака, наспрам 18% код равног модела, уз мање рачунарских ресурса за планирање. Рад од 5. октобра тестира и снимљене видео-записе стварних робота, али се у тим тестовима предложене путање оцењују ван мреже; они не приказују робота који извршава планове.

За истраживаче и инжењере роботике важно је питање да ли побољшање потиче од разлагања дугог плана на краће кораке, учења боље мере напретка ка циљу или од оба фактора. Рад засебно тестира та објашњења. Резултати обећавају за истраживање визуелног планирања, али постоје важна ограничења у погледу закључака о физичким роботима.

## Главна промена

- **Шта се променило:** H-JEPA обучава низ предиктивних модела условљених радњама. Сваки ниво гледа даље у будућност у сопственој наученој репрезентацији, а планер претвара предвиђена стања вишег нивоа у подциљеве за нижи ниво.
- **Зашто је важно:** У Visual AntMaze-у аутори пријављују успех од 73,3% за планирање са три нивоа, наспрам 18,0% код равне основне верзије. Аблационе анализе указују да доприносе и краћи сегменти планирања и кориснија репрезентација циља на вишем нивоу. Тим за роботику може засебно да проучава та два механизма, уместо да хијерархију посматра као недељиво побољшање.
- **Шта треба пратити:** Сва четири окружења задатака су симулирана. Додатни DROID тест пореди испланиране путање роботске руке са снимљеним путањама стручњака; тест у затвореној петљи у различитим физичким условима одговорио би на друго, још отворено питање.

## План на више временских скала

Модел света предвиђа како би се окружење могло променити после радње. H-JEPA користи предиктивну архитектуру заједничког угнежђивања, односно JEPA, која предвиђа компактне репрезентације будућих запажања уместо да реконструише сваки пиксел слике. Његов [рад ](https://arxiv.org/html/2610.06805v1)описује хијерархију заједнички обучену на путањама запажања и радњи. Најнижи ниво прати најситније временске кораке. Сваки виши ниво добија репрезентације од нижег, обједињује радње у дужем кораку и предвиђа даље у засебном латентном простору.

Планирање почиње тренутним запажањем и запажањем циља. Највиши ниво тражи грубу путању до циља. Његова предвиђена стања затим усмеравају следећи ниво, који дорађује путању. Најнижи ниво производи радње. У симулираним проценама затворене петље систем извршава почетни низ радњи, посматра настало стање и поново планира. Истраживачи га пореде са LeWM-ом, истим JEPA моделом првог нивоа који се обучава и планира самостално, и са временском хијерархијом чији нивои деле једну репрезентацију.

Засебне репрезентације су важне у лавиринту јер циљ може бити долазак на локацију, док се положај ногу мрава брзо мења. Анализе аутора показале су да виши нивои H-JEPA задржавају положај мрава, док се детаљи положаја ногу теже реконструишу. Сличан образац приметили су у FourRoom-у, где је ометач који се независно креће био мање истакнут на вишим нивоима. Ефекат је био много слабији у скуповима података за манипулацију, у којима су измерена брза и спора кретања била мање раздвојена. Рад не доказује да одбацивање ситних детаља користи сваком задатку.

## Шта показују поређења

Аутори су проценили навигацију у Visual AntMaze-у и FourRoom Distractors-у, а манипулацију у Push-T-у и OGBench Cube-у. То су симулирани задаци са фиксним камерама и позадинама. При различитим буџетима планирања додавање нивоа до три побољшало је однос успеха и рачунарских ресурса у AntMaze-у, FourRoom-у и Cube-у. Push-T је био изузетак: два нивоа су при тестираним буџетима достигла или надмашила равну основну верзију, док су три нивоа имала слабе резултате. Аутори указују на кратке епизоде, због којих дубљи модели имају мање употребљивих снимака за обуку.

У засебном скупу задатака AntMaze, равна основна верзија LeWM-а имала је просечан успех од **18,0%, уз стандардну грешку од 3,5 процентних поена**, док је потпуно планирање H-JEPA са три нивоа имало просек од **73,3%, уз стандардну грешку од 3,5 процентних поена**. Аутори су обе бројке пријавили као просеке кроз три упарена случајна семена модела и планера. [Поређење успеха и FLOP операција планера у раду](https://arxiv.org/html/2610.06805v1) такође показује да хијерархија постиже већи успех уз мање измерених ресурса за планирање. Оно не мери укупан трошак обучавања и примене робота.

Аблационе анализе разјашњавају допринос појединачних делова. Временска хијерархија са заједничком репрезентацијом надмашила је равну основну верзију у сва четири окружења, што указује на вредност разлагања плана. У AntMaze-у је успех повећан и када је репрезентација вишег нивоа коришћена само за оцењивање предвиђене удаљености равног планера до циља. Ипак, само та промена није достигла просек од 73,3% потпуног хијерархијског планера. У овој процени та два ефекта се допуњују. У Push-T-у и Cube-у, где је рад утврдио мало селективне апстракције, промена само репрезентације трошка циља није донела јасну корист.

## Граница доказа из видео-записа стварних робота

Истраживачи су користили и [DROID видео-записе манипулације роботима](https://arxiv.org/html/2610.06805v1). Сцене, предмети и осветљење мењају се између снимљених епизода. Рад наводи да у тим условима чисто предиктивни модел може да да предност стабилној позадини и изгуби информације о роботу који се креће. Тим је додао губитак инверзне динамике и обучио компоненту да закључи радњу између узастопних научених стања, како би репрезентација задржала кретање агента. С тим додатком научена хијерархија са два нивоа побољшала је офлајн меру верности планирања из рада у односу на равну основну верзију, уз мању рачунарску потрошњу планера.

Та мера пореди предложену тродимензионалну путању крајњег ефектора са путањом стручњака на снимку. Према калибрацији у раду, вредност је 100% за путању стручњака и 0% за непокретну руку. Она не мери да ли би робот завршио задатак после извршавања предложених радњи. Аутори су DROID планове проценили у отвореној петљи јер скуп података нема симулатор за променљиве сцене. BIG CHANGE није обучавао модел, није покретао [јавни код](https://github.com/kevinghst/H-JEPA)нити тестирао робота.

Репозиторијум кода садржи скрипте за обуку и планирање, као и упутства за репродуковање одабраних слика и табела из рада. То истраживачима омогућава да испитају метод, али рад је и даље препринт, а докази из физичког света остају офлајн. Наш ранији [извештај о GPT-Policy-ју ](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents)обрађује засебан приступ заснован на примерима контекста и захтевима роботским алатима; његови резултати не потврђују планирање светским моделом H-JEPA.

## Извори и додатно читање

- [Zhang и сарадници, „H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning“, arXiv v1](https://arxiv.org/html/2610.06805v1): главни препринт поднет 5. октобра 2026. Одељци 2–4 и додатак о планирању описују метод, поређења у симулаторима, AntMaze резултате са три случајна семена и офлајн DROID протокол. То су резултати аутора, а не независна репликација или доказ примене у физичком свету.
- [Страница пројекта H-JEPA](https://h-jepa.com/): визуелно објашњење аутора о хијерархијском предвиђању, планирању одозго надоле, четири симулирана окружења и DROID тесту верности. Примери илуструју пријављене експерименте; одабрани видео-записи нису подаци о учинку по појединачном покушају.
- [Јавни репозиторијум кода H-JEPA](https://github.com/kevinghst/H-JEPA): имплементација обуке и планирања аутора, списак окружења и упутства за репродуковање одабраних резултата. BIG CHANGE је прегледао опис и упутства репозиторијума, али није покренуо код.
- [BIG CHANGE, „GPT-Policy тестира контекст у задацима роботске руке и мобилног истраживања“](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents): ранији извештај о засебном истраживачком методу у роботици. Пружа контекст, али не и доказ за резултате H-JEPA.

## Sources

- [H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning, arXiv v1](https://arxiv.org/html/2610.06805v1) — Главни препринт о методу, процени четири симулирана задатка, AntMaze резултатима и аблацијама и офлајн DROID протоколу Фрешеове верности. Резултати аутора; нису независна репликација нити примена у физичком свету.
- [Страница пројекта аутора H-JEPA](https://h-jepa.com/) — Страница са објашњењем аутора и визуелним примерима хијерархије и експеримената. Одабрани видео-записи илуструју резултате, али не пружају податке за сваки покушај.
- [Јавни репозиторијум кода H-JEPA](https://github.com/kevinghst/H-JEPA) — Имплементација обуке и планирања аутора и упутства за репродуковање одабраних слика и табела. BIG CHANGE га је прегледао као документацију, али није покретао код.
- [BIG CHANGE, GPT-Policy тестира контекст у задацима роботске руке и мобилног истраживања](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — Ранији сродни извештај о другом методу и експерименту у роботици. Само контекст; нема односа followUpTo.