Markdown ایڈیشن

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

# H-JEPA درجہ وار عالمی ماڈل کے ذریعے نقلی کاموں میں بصری منصوبہ بندی بہتر بناتا ہے

> H-JEPA کا تین سطحی منصوبہ ساز نقلی AntMaze میں کامیابی 18% سے 73% تک بڑھاتا ہے اور منصوبہ بندی کے لیے کم حسابی قوت استعمال کرتا ہے۔ حقیقی روبوٹس کی ویڈیوز پر نتائج آف لائن راستوں کی مطابقت ناپتے ہیں، روبوٹ کا کام مکمل کرنا نہیں۔

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 کے پیچھے محققین [H-JEPA ](https://arxiv.org/html/2610.06805v1)ایسا طریقہ پیش کرتے ہیں جس سے بصری عالمی ماڈل کئی زمانی پیمانوں پر منصوبہ بندی کر سکے۔ ایک نقلی بھول بھلیاں میں ان کے تین سطحی منصوبہ ساز نے 73% کام مکمل کیے، جبکہ سادہ ماڈل نے 18%، اور منصوبہ بندی کا حساب بھی کم لگا۔ 5 اکتوبر کا مقالہ حقیقی روبوٹس کی ریکارڈ شدہ ویڈیوز بھی آزماتا ہے، لیکن ان ٹیسٹوں میں مجوزہ راستوں کی آف لائن درجہ بندی ہوتی ہے؛ روبوٹ کو منصوبے پر عمل کرتے نہیں دکھایا جاتا۔

روبوٹکس محققین اور انجینئروں کے لیے اہم سوال یہ ہے کہ بہتری طویل منصوبے کو چھوٹے مراحل میں بانٹنے سے آئی، ہدف کی جانب پیش رفت کا بہتر پیمانہ سیکھنے سے، یا دونوں سے۔ مقالہ ان وضاحتوں کو الگ الگ آزماتا ہے۔ بصری منصوبہ بندی کی تحقیق کے لیے نتائج امید افزا ہیں، مگر جسمانی روبوٹس کے بارے میں اخذ کیے جانے والے نتائج کی اہم حدود ہیں۔

## بڑی تبدیلی

- **کیا بدلا:** H-JEPA عمل سے مشروط پیش گوئی کرنے والے ماڈلز کی تہیں تربیت دیتا ہے۔ ہر سطح اپنی سیکھی ہوئی نمائندگی میں زیادہ دور تک پیش بینی کرتی ہے، اور منصوبہ ساز اوپری سطح کی پیش گوئی شدہ حالتوں کو نچلی سطح کے ذیلی اہداف میں بدلتا ہے۔
- **یہ کیوں اہم ہے:** Visual AntMaze میں مصنفین تین سطحی منصوبہ بندی کی کامیابی 73.3% اور سادہ بنیادی ماڈل کی 18.0% بتاتے ہیں۔ ایبلیشن سے ظاہر ہوتا ہے کہ مختصر منصوبہ بندی کے حصے اور اوپری سطح پر ہدف کی زیادہ مفید نمائندگی، دونوں حصہ ڈالتے ہیں۔ روبوٹکس ٹیم درجہ بندی کو ایک ناقابلِ تقسیم بہتری سمجھنے کے بجائے دونوں طریقوں کا الگ مطالعہ کر سکتی ہے۔
- **کیا دیکھنا ہے:** چاروں کام کے ماحول نقلی ہیں۔ اضافی DROID ٹیسٹ میں منصوبہ بند روبوٹ بازو کے راستوں کا موازنہ ریکارڈ شدہ ماہر راستوں سے ہوتا ہے؛ مختلف جسمانی ماحول میں بند چکر کا تجربہ ایک دوسرے، ابھی تک کھلے سوال کا جواب دے گا۔

## متعدد زمانی پیمانوں پر منصوبہ

عالمی ماڈل پیش گوئی کرتا ہے کہ کسی عمل کے بعد ماحول کیسے بدل سکتا ہے۔ H-JEPA مشترکہ ایمبیڈنگ پیش گوئی کا ڈھانچہ، یا JEPA، استعمال کرتا ہے۔ یہ تصویر کے ہر پکسل کو دوبارہ بنانے کے بجائے مستقبل کے مشاہدات کی مختصر نمائندگیوں کی پیش گوئی کرتا ہے۔ اس کا [مقالہ ](https://arxiv.org/html/2610.06805v1) مشاہدات اور اعمال کے سلسلوں پر مشترکہ طور پر تربیت یافتہ درجہ بندی بیان کرتا ہے۔ سب سے نچلی سطح باریک ترین زمانی مراحل کی پیروی کرتی ہے۔ ہر اوپری سطح نیچے کی سطح سے نمائندگی لیتی ہے، طویل وقفے میں اعمال کو یکجا کرتی ہے اور الگ latent space میں مزید آگے کی پیش گوئی کرتی ہے۔

منصوبہ بندی موجودہ مشاہدے اور ہدف کے مشاہدے سے شروع ہوتی ہے۔ سب سے اوپری سطح ہدف تک عمومی راستہ تلاش کرتی ہے۔ اس کی پیش گوئی شدہ حالتیں اگلی سطح کی رہنمائی کرتی ہیں، جو راستے کو بہتر بناتی ہے۔ سب سے نچلی سطح اعمال پیدا کرتی ہے۔ نقلی بند چکر کی جانچ میں نظام اعمال کا ابتدائی حصہ انجام دیتا ہے، نتیجے کی حالت دیکھتا ہے اور پھر نئے سرے سے منصوبہ بناتا ہے۔ محققین اس کا موازنہ LeWM سے کرتے ہیں—اسی پہلی سطح کے JEPA سے جسے اکیلے تربیت دے کر منصوبہ بندی میں استعمال کیا گیا—اور ایسے زمانی درجہ بندی سے جس کی سطحیں ایک نمائندگی مشترک رکھتی ہیں۔

بھول بھلیاں میں الگ نمائندگیاں اہم ہیں کیونکہ ہدف کسی مقام تک پہنچنا ہو سکتا ہے، جبکہ چیونٹی کی ٹانگوں کی وضع تیزی سے بدلتی ہے۔ مصنفین کی جانچ سے معلوم ہوا کہ H-JEPA کی اوپری سطحیں چیونٹی کا مقام برقرار رکھتی ہیں لیکن ٹانگوں کی وضع کی تفصیل واپس حاصل کرنا مشکل بناتی ہیں۔ FourRoom میں بھی ایسا ہی نمونہ ملا، جہاں آزادانہ حرکت کرنے والا خلل اوپری سطحوں میں کم نمایاں ہوا۔ manipulation ڈیٹاسیٹس میں اثر بہت کم تھا، جہاں ناپی گئی تیز اور سست حرکات میں فرق کم تھا۔ مقالہ ثابت نہیں کرتا کہ باریک تفصیل چھوڑنا ہر کام کے لیے فائدہ مند ہے۔

## موازنے کیا دکھاتے ہیں

مصنفین نے Visual AntMaze اور FourRoom Distractors میں نیویگیشن، اور Push-T اور OGBench Cube میں manipulation کا جائزہ لیا۔ یہ مقررہ کیمروں اور پس منظر والے نقلی کام ہیں۔ مختلف منصوبہ بندی بجٹ میں سطحوں کی تعداد تین تک بڑھانے سے AntMaze، FourRoom اور Cube میں کامیابی اور حسابی قوت کا توازن بہتر ہوا۔ Push-T مستثنیٰ تھا: آزمودہ بجٹ میں دو سطحیں سادہ بنیادی ماڈل کے برابر یا اس سے بہتر تھیں، جبکہ تین سطحوں کی کارکردگی کمزور تھی۔ مصنفین اس کے مختصر episodes کی طرف اشارہ کرتے ہیں، جن سے گہرے ماڈلز کے لیے قابلِ استعمال تربیتی کلپس کم رہ جاتے ہیں۔

AntMaze کے الگ کاموں کے مجموعے میں سادہ LeWM بنیادی ماڈل کی اوسط کامیابی **18.0% تھی، معیاری خطا 3.5 فیصدی پوائنٹ کے ساتھ**، جبکہ مکمل تین سطحی H-JEPA منصوبہ بندی کی اوسط **73.3% تھی، معیاری خطا 3.5 فیصدی پوائنٹ کے ساتھ**۔ دونوں اعداد ماڈل اور منصوبہ ساز کے تین جوڑی دار random seeds پر مصنفین کی بتائی ہوئی اوسط ہیں۔ مقالے کا [کامیابی اور منصوبہ ساز FLOPs کا موازنہ](https://arxiv.org/html/2610.06805v1) بھی دکھاتا ہے کہ درجہ بندی کم ناپے گئے منصوبہ بندی حساب کے ساتھ زیادہ کامیابی حاصل کرتی ہے۔ یہ روبوٹ کی تربیت اور تعیناتی کی کل لاگت نہیں ناپتا۔

ایبلیشن ہر جزو کے حصے کو واضح کرتی ہے۔ مشترک نمائندگی والی زمانی درجہ بندی چاروں ماحول میں سادہ بنیادی ماڈل سے بہتر تھی، جو منصوبے کو حصوں میں بانٹنے کی افادیت دکھاتی ہے۔ AntMaze میں اوپری سطح کی نمائندگی صرف اس لیے استعمال کرنے سے بھی کامیابی بڑھی کہ سادہ منصوبہ ساز کے پیش گوئی کردہ ہدفی فاصلے کو اسکور کیا جا سکے۔ تاہم یہ تبدیلی اکیلے مکمل درجہ وار منصوبہ ساز کی 73.3% اوسط تک نہیں پہنچی۔ اس جانچ میں دونوں اثر ایک دوسرے کی تکمیل کرتے ہیں۔ Push-T اور Cube میں، جہاں مقالے نے منتخب abstraction کم پایا، صرف ہدف لاگت کی نمائندگی بدلنے سے واضح فائدہ نہیں ہوا۔

## حقیقی روبوٹ ویڈیوز کی حد

محققین نے [DROID روبوٹ manipulation ویڈیوز](https://arxiv.org/html/2610.06805v1) بھی استعمال کیں۔ ریکارڈ شدہ episodes میں مناظر، اشیا اور روشنی بدلتی ہے۔ مقالے کے مطابق ایسے ماحول میں خالص پیش گوئی کرنے والا ماڈل مستحکم پس منظر کو ترجیح دے کر حرکت کرتے روبوٹ کی معلومات کھو سکتا ہے۔ ٹیم نے inverse-dynamics loss شامل کیا اور ایک جزو کو مسلسل سیکھی گئی حالتوں کے درمیان عمل کا اندازہ لگانے کی تربیت دی تاکہ نمائندگی ایجنٹ کی حرکت برقرار رکھے۔ اس اضافے کے ساتھ سیکھی گئی دو سطحی درجہ بندی نے مقالے کے آف لائن منصوبہ بندی مطابقت پیمانے پر سادہ بنیادی ماڈل سے بہتر کارکردگی دکھائی اور منصوبہ ساز کا حساب کم استعمال کیا۔

یہ پیمانہ مجوزہ تین جہتی end-effector راستے کا ریکارڈنگ میں ماہر راستے سے موازنہ کرتا ہے۔ مقالے کی calibration کے مطابق ماہر راستے کا پیمانہ 100% اور ساکن بازو کا 0% ہے۔ یہ نہیں ناپتا کہ مجوزہ اعمال کرنے کے بعد روبوٹ کام مکمل کرے گا یا نہیں۔ ڈیٹاسیٹ میں بدلتے مناظر کا simulator نہیں، اس لیے مصنفین نے DROID منصوبوں کو open-loop انداز میں جانچا۔ BIG CHANGE نے ماڈل کی تربیت نہیں کی، [عوامی کوڈ](https://github.com/kevinghst/H-JEPA)نہیں چلایا، اور روبوٹ نہیں آزمایا۔

کوڈ repository میں تربیت اور منصوبہ بندی کی scripts اور مقالے کے منتخب خاکے اور جدول دوبارہ بنانے کی ہدایات ہیں۔ اس سے محققین طریقہ دیکھ سکتے ہیں، لیکن مقالہ اب بھی preprint ہے اور جسمانی دنیا کے شواہد آف لائن ہیں۔ ہماری سابقہ [GPT-Policy رپورٹ ](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents)سیاقی مثالوں اور روبوٹ ٹول کی درخواستوں پر مبنی الگ طریقہ بیان کرتی ہے؛ اس کے نتائج H-JEPA کی عالمی ماڈل منصوبہ بندی کی توثیق نہیں کرتے۔

## ذرائع اور مزید مطالعہ

- [Zhang اور ساتھی، “H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning,” arXiv v1](https://arxiv.org/html/2610.06805v1): 5 اکتوبر 2026 کو جمع کرایا گیا بنیادی preprint۔ حصے 2–4 اور منصوبہ بندی کا ضمیمہ طریقہ، simulator موازنے، تین seed والے AntMaze اعداد، اور DROID کا آف لائن protocol بیان کرتے ہیں۔ یہ مصنفین کے نتائج ہیں، آزادانہ اعادہ یا جسمانی تعیناتی کے شواہد نہیں۔
- [H-JEPA منصوبے کا صفحہ](https://h-jepa.com/): درجہ وار پیش گوئی، اوپر سے نیچے منصوبہ بندی، چار نقلی ماحول، اور DROID fidelity ٹیسٹ پر مصنفین کی بصری وضاحت۔ مثالیں رپورٹ کردہ تجربات دکھاتی ہیں؛ منتخب ویڈیوز ہر آزمائش کی کارکردگی کا ڈیٹا نہیں۔
- [H-JEPA عوامی کوڈ repository](https://github.com/kevinghst/H-JEPA): مصنفین کا تربیت اور منصوبہ بندی کا نفاذ، ماحول کی فہرست اور منتخب نتائج دوبارہ بنانے کی ہدایات۔ BIG CHANGE نے repository کی وضاحت اور ہدایات دیکھیں مگر کوڈ نہیں چلایا۔
- [BIG CHANGE، “GPT-Policy روبوٹ بازو اور موبائل کھوج کے کاموں میں سیاق آزماتا ہے”](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents): روبوٹکس کے ایک مختلف تحقیقی طریقے پر سابقہ رپورٹ۔ یہ سیاق فراہم کرتی ہے، H-JEPA نتائج کا ثبوت نہیں۔

## Sources

- [H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning, arXiv v1](https://arxiv.org/html/2610.06805v1) — طریقے، چار نقلی کاموں کی جانچ، AntMaze نتائج اور ایبلیشن، اور DROID آف لائن Fréchet-fidelity protocol پر بنیادی preprint۔ مصنفین کے نتائج؛ آزادانہ اعادہ یا جسمانی تعیناتی نہیں۔
- [H-JEPA مصنفین کے منصوبے کا صفحہ](https://h-jepa.com/) — درجہ بندی اور تجربات پر مصنفین کا وضاحتی صفحہ اور بصری مثالیں۔ منتخب ویڈیوز نتائج دکھاتی ہیں، مگر فی آزمائش نتائج کا ڈیٹا نہیں دیتیں۔
- [H-JEPA عوامی کوڈ repository](https://github.com/kevinghst/H-JEPA) — مصنفین کا تربیت/منصوبہ بندی نفاذ اور منتخب خاکے و جدول دوبارہ بنانے کی ہدایات۔ BIG CHANGE نے اسے دستاویز کے طور پر دیکھا، کوڈ نہیں چلایا۔
- [BIG CHANGE، GPT-Policy روبوٹ بازو اور موبائل کھوج کے کاموں میں سیاق آزماتا ہے](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — دوسرے روبوٹکس طریقے اور تجربے پر سابقہ متعلقہ رپورٹ۔ صرف سیاق؛ followUpTo کا کوئی رشتہ نہیں۔