Markdown izdanje

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

# H-JEPA unapređuje vizuelno planiranje u simuliranim zadacima pomoću hijerarhijskog modela sveta

> H-JEPA planer sa tri nivoa povećava uspeh u simuliranom AntMaze-u sa 18% na 73%, uz manje računarskih resursa za planiranje. Rezultati na snimcima stvarnih robota mere vernost putanja van mreže, a ne izvršavanje zadataka robota.

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.

Istraživači koji stoje iza [H-JEPA ](https://arxiv.org/html/2610.06805v1)predstavljaju način da vizuelni model sveta planira na nekoliko vremenskih skala. U jednom simuliranom lavirintu njihov planer sa tri nivoa završio je 73% zadataka, naspram 18% kod ravnog modela, uz manje računarskih resursa za planiranje. Rad od 5. oktobra testira i snimljene video-zapise stvarnih robota, ali se u tim testovima predložene putanje ocenjuju van mreže; oni ne prikazuju robota kako sprovodi planove.

Za istraživače i inženjere robotike važno je pitanje da li poboljšanje potiče od razlaganja dugog plana na kraće korake, učenja bolje mere napretka ka cilju ili oba faktora. Rad zasebno testira ta objašnjenja. Rezultati obećavaju za istraživanje vizuelnog planiranja, ali postoje važna ograničenja u pogledu zaključaka o fizičkim robotima.

## Glavna promena

- **Šta se promenilo:** H-JEPA obučava niz prediktivnih modela uslovljenih radnjama. Svaki nivo gleda dalje u budućnost u sopstvenoj naučenoj reprezentaciji, a planer pretvara predviđena stanja višeg nivoa u podciljeve za niži nivo.
- **Zašto je važno:** U Visual AntMaze-u autori prijavljuju uspeh od 73,3% za planiranje sa tri nivoa, naspram 18,0% kod ravne osnovne verzije. Ablacije ukazuju da doprinose i kraći segmenti planiranja i korisnija reprezentacija cilja na višem nivou. Tim za robotiku može zasebno proučiti ta dva mehanizma umesto da hijerarhiju posmatra kao nedeljivo poboljšanje.
- **Šta pratiti:** Sva četiri okruženja zadataka su simulirana. Dodatni DROID test poredi isplanirane putanje robotske ruke sa snimljenim putanjama stručnjaka; test u zatvorenoj petlji u različitim fizičkim okruženjima odgovorio bi na drugo, još otvoreno pitanje.

## Plan na nekoliko vremenskih skala

Model sveta predviđa kako bi se okruženje moglo promeniti posle radnje. H-JEPA koristi prediktivnu arhitekturu zajedničkog ugrađivanja, odnosno JEPA, koja predviđa kompaktne reprezentacije budućih zapažanja umesto rekonstrukcije svakog piksela slike. Njegov [rad ](https://arxiv.org/html/2610.06805v1)opisuje hijerarhiju zajednički obučenu na putanjama zapažanja i radnji. Najniži nivo prati najsitnije vremenske korake. Svaki viši nivo dobija reprezentacije od nižeg, objedinjuje radnje u dužem koraku i predviđa dalje u zasebnom latentnom prostoru.

Planiranje počinje trenutnim zapažanjem i zapažanjem cilja. Najviši nivo traži grubu putanju do cilja. Njegova predviđena stanja zatim usmeravaju sledeći nivo, koji dorađuje putanju. Najniži nivo proizvodi radnje. U simuliranim procenama zatvorene petlje sistem izvršava početni niz radnji, posmatra nastalo stanje i ponovo planira. Istraživači ga porede sa LeWM-om, istim JEPA modelom prvog nivoa koji se obučava i planira samostalno, i sa vremenskom hijerarhijom čiji nivoi dele jednu reprezentaciju.

Zasebne reprezentacije su važne u lavirintu jer cilj može biti dolazak na lokaciju, dok se položaj nogu mrava brzo menja. Probe autora pokazale su da viši nivoi H-JEPA zadržavaju položaj mrava, dok se detalji položaja nogu teže rekonstruišu. Sličan obrazac našli su u FourRoom-u, gde je ometač koji se nezavisno kreće bio manje uočljiv na višim nivoima. Efekat je bio znatno slabiji u skupovima podataka za manipulaciju, gde su izmerena brza i spora kretanja bila manje razdvojena. Rad ne utvrđuje da odbacivanje sitnih detalja koristi svakom zadatku.

## Šta poređenja pokazuju

Autori su procenili navigaciju u Visual AntMaze-u i FourRoom Distractors-u, a manipulaciju u Push-T-u i OGBench Cube-u. To su simulirani zadaci sa fiksnim kamerama i pozadinama. Pri različitim budžetima planiranja dodavanje nivoa do tri poboljšalo je odnos uspeha i računarskih resursa u AntMaze-u, FourRoom-u i Cube-u. Push-T je bio izuzetak: dva nivoa su pri testiranim budžetima dostigla ili nadmašila ravnu osnovnu verziju, dok su tri nivoa imala slabe rezultate. Autori ukazuju na kratke epizode, zbog kojih dublji modeli imaju manje upotrebljivih snimaka za obuku.

U zasebnom skupu zadataka AntMaze, ravna osnovna verzija LeWM-a imala je prosečan uspeh od **18,0%, uz standardnu grešku od 3,5 procentnih poena**, dok je potpuno planiranje H-JEPA sa tri nivoa imalo prosek od **73,3%, uz standardnu grešku od 3,5 procentnih poena**. Autori su obe brojke prijavili kao proseke kroz tri uparena slučajna semena modela i planera. [Poređenje uspeha i FLOP operacija planera u radu ](https://arxiv.org/html/2610.06805v1) takođe pokazuje da hijerarhija postiže veći uspeh uz manje izmerenih resursa za planiranje. Ono ne meri ukupan trošak obučavanja i primene robota.

Ablacije pojašnjavaju doprinos pojedinačnih delova. Vremenska hijerarhija sa zajedničkom reprezentacijom nadmašila je ravnu osnovnu verziju u sva četiri okruženja, što ukazuje na vrednost razlaganja plana. U AntMaze-u je uspeh povećan i kada je reprezentacija višeg nivoa korišćena samo za ocenjivanje predviđene udaljenosti ravnog planera do cilja. Ipak, samo ta promena nije dostigla prosek od 73,3% potpunog hijerarhijskog planera. U ovoj proceni ta dva efekta se dopunjuju. U Push-T-u i Cube-u, gde je rad utvrdio malo selektivne apstrakcije, promena samo reprezentacije troška cilja nije donela jasnu korist.

## Granica dokaza iz snimaka stvarnih robota

Istraživači su koristili i [DROID snimke robotske manipulacije](https://arxiv.org/html/2610.06805v1). Scene, predmeti i osvetljenje menjaju se između snimljenih epizoda. U tim uslovima čisto prediktivni model može dati prednost stabilnoj pozadini i izgubiti informacije o robotu koji se kreće, navodi se u radu. Tim je dodao gubitak inverzne dinamike i obučio komponentu da zaključi radnju između uzastopnih naučenih stanja, kako bi reprezentacija sačuvala kretanje agenta. Sa tim dodatkom naučena hijerarhija sa dva nivoa poboljšala je oflajn meru vernosti planiranja iz rada u odnosu na ravnu osnovnu verziju, uz manje računarskih resursa planera.

Ta mera poredi predloženu trodimenzionalnu putanju krajnjeg efektora sa putanjom stručnjaka na snimku. Prema kalibraciji rada, vrednost je 100% za putanju stručnjaka i 0% za nepokretnu ruku. Ona ne meri da li bi robot završio zadatak posle izvršavanja predloženih radnji. Autori su DROID planove procenili u otvorenoj petlji jer skup podataka nema simulator za promenljive scene. BIG CHANGE nije obučavao model, nije pokretao [javni kod](https://github.com/kevinghst/H-JEPA)niti testirao robota.

Repozitorijum koda nudi skripte za obuku i planiranje, kao i uputstva za reprodukovanje odabranih slika i tabela iz rada. To istraživačima daje način da ispitaju metod, ali rad je i dalje preprint, a dokazi iz fizičkog sveta ostaju oflajn. Naš raniji [izveštaj o GPT-Policy-ju ](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents)obrađuje zaseban pristup zasnovan na primerima konteksta i zahtevima robotskim alatima; njegovi rezultati ne potvrđuju planiranje svetskim modelom H-JEPA.

## Izvori i dodatno čitanje

- [Zhang i saradnici, „H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning“, arXiv v1](https://arxiv.org/html/2610.06805v1): glavni preprint podnet 5. oktobra 2026. Odeljci 2–4 i dodatak o planiranju opisuju metod, poređenja u simulatorima, AntMaze rezultate sa tri slučajna semena i oflajn DROID protokol. To su rezultati autora, a ne nezavisna replikacija ili dokaz primene u fizičkom svetu.
- [Stranica projekta H-JEPA](https://h-jepa.com/): vizuelno objašnjenje autora o hijerarhijskom predviđanju, planiranju odozgo nadole, četiri simulirana okruženja i DROID testu vernosti. Primeri ilustruju prijavljene eksperimente; odabrani snimci nisu podaci o učinku po pojedinačnom pokušaju.
- [Javni repozitorijum koda H-JEPA](https://github.com/kevinghst/H-JEPA): implementacija obuke i planiranja autora, spisak okruženja i uputstva za reprodukovanje odabranih rezultata. BIG CHANGE je pregledao opis i uputstva repozitorijuma, ali nije pokrenuo kod.
- [BIG CHANGE, „GPT-Policy testira kontekst u zadacima robotske ruke i mobilnog istraživanja“](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents): raniji izveštaj o zasebnom istraživačkom metodu u robotici. Pruža kontekst, a ne dokaz za rezultate H-JEPA.

## Sources

- [H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning, arXiv v1](https://arxiv.org/html/2610.06805v1) — Glavni preprint o metodu, procenama četiri simulirana zadatka, AntMaze rezultatima i ablacijama i oflajn DROID protokolu Frešeove vernosti. Rezultati autora; nisu nezavisna replikacija niti primena u fizičkom svetu.
- [Stranica projekta autora H-JEPA](https://h-jepa.com/) — Stranica sa objašnjenjem autora i vizuelnim primerima hijerarhije i eksperimenata. Odabrani snimci ilustruju rezultate, ali ne pružaju podatke za svaki pokušaj.
- [Javni repozitorijum koda H-JEPA](https://github.com/kevinghst/H-JEPA) — Implementacija obuke i planiranja autora i uputstva za reprodukovanje odabranih slika i tabela. BIG CHANGE ga je pregledao kao dokumentaciju, ali nije pokretao kod.
- [BIG CHANGE, GPT-Policy testira kontekst u zadacima robotske ruke i mobilnog istraživanja](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — Raniji srodan izveštaj o drugom metodu i eksperimentu u robotici. Samo kontekst; nema odnosa followUpTo.