論文の概要: Qantara: Bridge-Flow Training for Multi-Paradigm JEPA Control
- arxiv url: http://arxiv.org/abs/2607.04978v1
- Date: Mon, 06 Jul 2026 12:12:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.132655
- Title: Qantara: Bridge-Flow Training for Multi-Paradigm JEPA Control
- Title（参考訳）: Qantara: マルチパラダイムJEPA制御のためのブリッジフロートレーニング
- Abstract要約: 共同埋め込み予測アーキテクチャは、生のピクセルから制御する潜在世界モデルの家族を支えている。
両方を提供する単一のチェックポイントは、デプロイメントの制約がどのパスが勝つかを決定するとき、この選択を推論に延期する。
本稿では,連続した清潔な潜伏者間のブラウン橋補間を共同訓練対象とするエンドツーエンドのJEPAであるQantaraを紹介する。
- 参考スコア（独自算出の注目度）: 5.357451930622806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Joint-Embedding Predictive Architectures (JEPAs) underpin a growing family of latent world models for control from raw pixels, but every existing JEPA world model commits at training time to a single inference paradigm: either trajectory optimisation in a learned dynamics model, or direct behaviour cloning. A single checkpoint that serves both would defer this choice to inference, when deployment constraints (rollout cost, observation accessibility) determine which path wins. We present Qantara, an end-to-end JEPA whose joint training objective pairs a Brownian-bridge interpolant between consecutive clean latents on the state axis with noise-to-data flow matching on the action axis. The same checkpoint serves three inference paradigms without retraining: latent planning, behaviour-cloning action sampling, and inverse dynamics, which we query through a video-inverse composition that first predicts the next latent without action conditioning, then extracts the action. Training concentrates mass on the edges of the (action-time, state-time) noise square, where inference queries the predictor: replacing it with uniform interior sampling drops Push-T planning from 90.1 to 53.3 SR at matched compute. On the LeWM control suite, Qantara reaches a 91.2 SR three-train-seed average and sets new SOTA on OGBench-Cube (+7.7 SR over DINO-WM, +19.7 over LeWM). From the same weights, the behaviour-cloning and video-inverse paths reach 82-83 SR on Push-T and 71-73 SR on Cube. These results move JEPA world models from single-paradigm planners to multi-paradigm controllers.
- Abstract（参考訳）: JEPA(Joint-Embedding Predictive Architectures)は、生のピクセルから制御するための潜在世界モデルの成長を支えているが、既存のJEPAワールドモデルはトレーニング時に単一の推論パラダイムにコミットする。
どちらも機能する単一のチェックポイントは、デプロイメント制約(ロールアウトコスト、監視アクセシビリティ)がどのパスが勝つかを決定するとき、この選択を推論に延期する。
本稿では,動作軸上のノイズ-データフロー整合と状態軸上の連続的な清浄潜水器間のブラウン橋補間を連成したエンドツーエンドJEPAであるQantaraについて述べる。
同じチェックポイントは、遅延計画、行動閉鎖アクションサンプリング、および逆ダイナミクスの3つの推論パラダイムを提供します。
トレーニングは(アクション時、状態時)ノイズスクエアの端に質量を集中させ、推論が予測器をクエリする。
LeWMコントロールスイートでは、カンタラは平均91.2SRに達し、OGBench-Cube(DINO-WMで+7.7SR、LeWMで+19.7SR)に新しいSOTAを設定する。
同じ重みから、行動閉鎖経路とビデオ逆経路は、Push-Tでは82-83 SR、Cubeでは71-73 SRに達する。
これらの結果は、JEPAワールドモデルをシングルパラダイムプランナからマルチパラダイムコントローラに移行する。
関連論文リスト
- On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳（メタデータ） (2026-08-31T06:35:07Z) - AquaJEPA: Action-Conditioned Multimodal Predictive Representations for Underwater Robot Dynamics [0.0]
AquaJEPAは、RGBカメラ、前方のソナー、およびプロプレセプションを明示的なセンサーの有効性で融合する。
8スラスターコマンドで、将来の潜伏目標を予測します。
これは、ペアの最終的なエラーにおいて、アクション条件付き予測ベースラインの3つを著しく上回る。
論文 参考訳（メタデータ） (2026-07-31T13:11:11Z) - QuantWAMs: Calibrating at the Right Granularity for World Action Models [34.540026172139406]
World Action Modelsは、将来の観測とアクションを共同で予測するが、反復的なデノゲーションとクローズドループの実行は、デプロイメントにコストがかかる。
我々は,量子化決定をモデル構造,ロールアウト分布,タスク目標によって定義されたキャリブレーションコンテキストと整合するPTQフレームワークQuantWAMを提案する。
我々は,RoboTwin 2.0,LIBERO,AgiBot G2を用いた実ロボット操作において,Fast-WAMおよびLingBot-VA上のQuantWAMを評価した。
論文 参考訳（メタデータ） (2026-07-30T15:54:29Z) - MoP-JEPA: Hard-Assigned Predictor Mixtures for Stochastic JEPA World Models [12.290764474660103]
JEPAワールドモデルは、潜時回帰によってトレーニングされた単一の決定論的予測器で次の潜時状態を予測します。
環境が分岐しているときに構造的に失敗することを示す。
我々は、MoP-JEPAのハードアサイン予測器が遷移分布の量子化器に収束することを証明した。
論文 参考訳（メタデータ） (2026-07-06T15:47:37Z) - Beyond the Current Observation: Evaluating Multimodal Large Language Models in Controllable Non-Markov Games [69.57330692969543]
RNG-Benchは、過去の観測を再構築するベースモデルの能力を分離するために設計されたベンチマークスイートである。
RNG-Benchには2つの補完ゲームがある: マッチングペア(英語版) - 特定の場所でカードのIDを短期間明らかにする) と、エゴセントリックなビューを空間地図に統合する3D Maze である。
最も難しい構成では、約128Kのトークンと350のイメージ入力のコンテキストが必要であり、フロンティアMLLMによる飽和には程遠いままである。
論文 参考訳（メタデータ） (2026-06-17T17:59:34Z) - D$^3$-MoE:Dual Disentangled Diffusion Mixture-of-Experts for Style-Controllable End-to-End Autonomous Driving [22.70855312181222]
D$3$-MoE は2つの相補軸に沿って軌道モデリングを歪める。
行動軸では、生成は選択から切り離される。
物理的軸では、分離された縦および横のルータがそれぞれの専門家を活性化する。
論文 参考訳（メタデータ） (2026-06-03T13:46:46Z) - DriveAnchor: Progressive Anchor-based Flow Learning for Autonomous Driving Planning [6.848508447210393]
DriveAnchorは、自動運転計画のためのフレームワークである。
構成可能なパイプラインにおいて、振る舞いの多様性、制御可能性、安全性を実現する。
近距離衝突速度を89%削減し、模倣精度を低下させることなく平均報酬を32%改善する。
論文 参考訳（メタデータ） (2026-05-30T04:17:59Z) - Subspace-Decomposed JEPAs: Disentangling Progression and Content in Latent World Models [1.034052616244602]
統合埋め込み予測アーキテクチャは、将来の埋め込みを予測することによって、コンパクトな潜在世界モデルを学ぶ。
JEPAラテントを2つのサブスペースに彫ります。
2つの反崩壊力が解離座標に作用することを証明し、同じ次元で競合するのではなく、加法的に構成する。
論文 参考訳（メタデータ） (2026-05-29T10:23:48Z) - UWM-JEPA: Predictive World Models That Imagine in Belief Space [0.2864713389096699]
本稿では,JEPAの世界モデルであるUnitary World Model JEPAを紹介した。
この構造はロールアウト中に関節状態スペクトルを正確に保存するため、予測器自体が表現された不確かさを解消することはできない。
JEPAの世界モデルでは、部分的な可観測性、潜伏幾何学、予測力学が重要であり、フリーズされたコンテキストエンコーディング能力だけではありません。
論文 参考訳（メタデータ） (2026-05-25T00:28:51Z) - Unextractable Protocol Models: Collaborative Training and Inference without Weight Materialization [58.14514930760722]
参加者が協力して大規模なニューラルネットワークを訓練し、提供する分散セットアップを検討する。
このセットアップでは、フルウェイトセットがどの参加者にも利用できないような、非機械的なウェイトの可能性を探る。
我々は、シャードモデルセットアップを利用するトレーニングおよび推論フレームワーク、Unextractable Protocol Models (UPMs)を紹介する。
論文 参考訳（メタデータ） (2026-05-22T10:24:57Z) - Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。
終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。
EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
論文 参考訳（メタデータ） (2026-05-15T16:11:10Z) - SOAR: Self-Correction for Optimal Alignment and Refinement in Diffusion Models [48.335262141752715]
拡散モデルのための後トレーニングパイプラインには、キュレートされたデータに対する教師付き微調整(SFT)と報酬モデルによる強化学習(RL)の2段階がある。
本稿では,このギャップを埋めるバイアス補正ポストトレーニング法であるSOAR(Self-Correction for Optimal Alignment and Refinement)を提案する。
オンライン政治であり、報酬なしであり、クレジット割り当ての問題なく、時間ごとの密集した監督を提供する。
論文 参考訳（メタデータ） (2026-04-14T11:45:15Z) - LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels [49.35636088613484]
JEPA(Joint Embedding Predictive Architectures)は、コンパクトな潜在空間で世界モデルを学習するための魅力的なフレームワークを提供する。
最初のJEPAであるLeModelWorldを紹介します。
数時間で1つのGPU上で15万のパラメータをトレーニングできるため、LeWMはファンデーションモデルベースの世界モデルよりも48倍高速に計画している。
論文 参考訳（メタデータ） (2026-03-13T19:48:14Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。