V-JEPA 2 da Meta treina um modelo de mundo em vídeo para guiar ações de robôs

O que a Meta realmente lançou

Em 11 de junho de 2025, a Meta apresentou o V-JEPA 2, um modelo de mundo treinado em vídeo que a empresa posiciona como sucessor do V-JEPA original, lançado no ano anterior. O objetivo declarado é o raciocínio físico: dar aos agentes de IA um modelo interno de como o mundo vai reagir às suas ações.

A Meta define três capacidades como o núcleo de um modelo de mundo — entender, prever e planejar. O primeiro V-JEPA cobria o entendimento e a previsão a partir de vídeo. Já o V-JEPA 2 é apresentado como uma evolução nesses dois pontos, a ponto de permitir que robôs ajam com base nas previsões do modelo.

Junto com o modelo, a Meta lançou três novos benchmarks pensados para que outros pesquisadores possam medir o quão bem seus próprios modelos raciocinam sobre o mundo físico a partir de vídeo. Essa combinação — um modelo mais as réguas para avaliar modelos no mesmo domínio — é a parte mais relevante do lançamento.

A demonstração com robôs é limitada, e a própria Meta reconhece isso

A evidência concreta apresentada pela Meta é um resultado de laboratório: robôs usando o V-JEPA 2 para alcançar objetos, pegá-los e posicioná-los em um novo local. Essas são as ações básicas clássicas da manipulação robótica, e o anúncio as descreve de forma direta, sem tratá-las como produtos finalizados.

A frase que a Meta usa é que os robôs conseguem 'interagir com objetos e ambientes desconhecidos para completar uma tarefa'. Esse enquadramento importa. Generalizar para objetos desconhecidos é a parte difícil da manipulação; um modelo que aprendeu padrões de interação a partir de vídeo, em vez de dados de teleoperação específicos para cada tarefa, representa uma aposta diferente da maioria dos pipelines de robótica.

Mas a fonte se limita a alcançar, pegar e posicionar objetos, dentro dos próprios laboratórios da Meta. Não há nenhuma afirmação sobre taxas de sucesso, complexidade das tarefas ou uso fora de condições controladas. Lido de forma literal, trata-se de uma demonstração inicial de capacidade associada ao lançamento de um modelo.

Aprendendo física a partir de vídeo em vez de dados de ação rotulados

Treinamos o V-JEPA 2 usando vídeo, o que ajudou o modelo a aprender padrões importantes do mundo físico, incluindo como as pessoas interagem com objetos, como os objetos se movem no mundo físico e como os objetos interagem entre si.Montana Labs

A aposta por trás dessa abordagem é que vídeos passivos são abundantes e a física é consistente, então um modelo pode absorver como os objetos se movem e colidem sem precisar ser explicitamente rotulado ou guiado por cada ação. As analogias com a bola de tênis e o disco de hóquei no anúncio são a forma que a Meta encontrou para descrever a previsão de estados futuros, e não o reconhecimento do estado atual.

Essa é uma linhagem distinta dos agentes baseados em modelos de linguagem que raciocinam em texto. Aqui, o substrato de raciocínio é uma representação aprendida da dinâmica visual, e o 'pensar antes de agir' do título se refere especificamente a prever resultados antes de executar uma ação física.

Os benchmarks são a parte que vale acompanhar para equipes aplicadas

Para quem constrói soluções em cima de IA para o mundo físico, os três benchmarks são mais úteis na prática do que o próprio modelo. O lançamento de um modelo é um artefato único; já critérios de avaliação compartilhados moldam como todo um campo mede progresso, e quem define o benchmark tende a definir o que conta como sucesso.

A Meta associa isso explicitamente à aceleração da pesquisa externa, oferecendo à comunidade tanto 'os melhores modelos quanto os melhores benchmarks'. Equipes que avaliam modelos de mundo para robótica devem tratar esses benchmarks como uma afirmação sobre o que significa raciocínio físico — algo a adotar ou questionar, não a aceitar sem análise.

A implicação específica: o V-JEPA 2 sinaliza que a Meta está competindo no terreno dos modelos de mundo que vão do vídeo à ação, e ao publicar as réguas de medição junto com o modelo, ela está tentando definir os termos pelos quais os modelos de raciocínio físico de todo mundo serão julgados. Essa jogada de estabelecer o padrão dura muito mais do que a demonstração de alcançar, pegar e posicionar que a acompanhou.