建立在Meta首席人工智慧科学家Yann LeCun，所提出的人工智慧模型架构JEPA（Joint Embedding Predictive Architectures），Meta人工智慧研究团队公开用于影片预测的非生成式人工智慧模型
研究人员解释，如果仅是随机抽选遮蔽影片中的小区块，则会让任务过于简单，使得模型无法真正学习到关于世界的复杂事物。因此Meta特别制定涵盖空间与时间的遮蔽策略，迫使模型学习并且发展对场景的理解，进一步预测未来的事件或是动作，进而达到对世界更深层次的理解。
该方法的优势让模型能够专注于影片的高层次概念，而不会钻牛角尖于对下游任务不重要的细节，像是人类观看在有树木的影片，不会特别关心每片叶子的细微动作一样，如此便能提高了学习效率和任务适应性。
V-JEPA还有一个重要的创新是冻结评估（Frozen Evaluations）的能力，模型在预训练之后，核心的部分不会再改变，因此只需要在其上添加小型专门层即可适应新任务。该设计避免了传统模型针对新任务需要全面微调的麻烦，减少学习新任务的资料和时间要求，并使得模型能够在不同任务中重复使用，诸如动作分类、精细地物体互动辨识以及活动定位等。
Meta会继续扩展V-JEPA模型，从只有处理影片的视觉内容，增加整合音讯实现多模态学习，研究团队认为，透过更丰富的上下文资讯，将能够加深模型对影片内容的理解。此外，他们也会继续强化模型长期规画和预测能力，使其能够处理长时间跨度的任务，而这将是发展高阶机器智慧的重要方向。Meta现在以创用CC BY-NC授权释出V-JEPA模型，促进人工智慧领域发展。