Metas V-JEPA 2 trainiert ein Weltmodell anhand von Videos, um Roboterhandlungen zu steuern

Was Meta tatsächlich veröffentlicht hat

Am 11. Juni 2025 stellte Meta V-JEPA 2 vor, ein auf Videos trainiertes Weltmodell, das das Unternehmen als Nachfolger des im letzten Jahr veröffentlichten ursprünglichen V-JEPA positioniert. Das erklärte Ziel ist physisches Schlussfolgern: KI-Agenten ein inneres Modell davon zu geben, wie die Welt auf ihre Handlungen reagieren wird.

Meta beschreibt drei Fähigkeiten als Kern eines Weltmodells – Verstehen, Vorhersagen und Planen. Das erste V-JEPA deckte Verstehen und Vorhersage aus Videos ab. V-JEPA 2 soll beides so weit verbessern, dass Roboter auf Basis der Vorhersagen des Modells handeln können.

Neben dem Modell veröffentlichte Meta drei neue Benchmarks, mit denen andere Forscher messen können, wie gut ihre eigenen Modelle physisches Schlussfolgern aus Videos beherrschen. Diese Kombination – ein Modell plus die Maßstäbe zur Bewertung von Modellen im selben Bereich – ist der bedeutsamere Teil der Veröffentlichung.

Die Roboter-Demonstration ist begrenzt, und Meta sagt das auch selbst

Der konkrete Beleg, den Meta liefert, ist ein Laborergebnis: Roboter, die mit V-JEPA 2 nach Objekten greifen, sie aufheben und an einem neuen Ort platzieren. Das sind die klassischen Grundbausteine robotischer Manipulation, und die Ankündigung beschreibt sie schlicht, statt sie als fertige Produkte zu präsentieren.

Meta formuliert es so, dass Roboter „mit unbekannten Objekten und Umgebungen interagieren können, um eine Aufgabe zu erfüllen'. Diese Formulierung ist wichtig. Die Generalisierung auf unbekannte Objekte ist der schwierige Teil der Manipulation; ein Modell, das Interaktionsmuster aus Videos gelernt hat statt aus aufgabenspezifischen Teleoperationsdaten, verfolgt einen anderen Ansatz als die meisten Robotik-Pipelines.

Doch die Quelle bleibt bei Greifen, Aufheben und Platzieren in Metas eigenen Laboren. Es gibt keine Aussage zu Erfolgsraten, Aufgabenkomplexität oder Einsatz außerhalb kontrollierter Bedingungen. Wörtlich genommen handelt es sich um eine frühe Fähigkeitsdemonstration im Rahmen einer Modellveröffentlichung.

Physik aus Videos lernen statt aus beschrifteten Handlungsdaten

Wir haben V-JEPA 2 mit Videos trainiert, was dem Modell half, wichtige Muster der physischen Welt zu lernen – etwa wie Menschen mit Objekten interagieren, wie sich Objekte in der physischen Welt bewegen und wie Objekte miteinander interagieren.Montana Labs

Die Wette hinter diesem Ansatz ist, dass passives Video reichlich verfügbar und Physik konsistent ist, sodass ein Modell lernen kann, wie sich Objekte bewegen und kollidieren, ohne dass jede Handlung explizit beschriftet oder vorgegeben werden muss. Die Tennisball- und Hockeypuck-Analogien in der Ankündigung sind Metas Art, die Vorhersage zukünftiger Zustände zu beschreiben statt das Erkennen aktueller Zustände.

Das ist eine eigenständige Linie, getrennt von sprachmodellgetriebenen Agenten, die in Text argumentieren. Hier besteht das Fundament des Schlussfolgerns aus einer erlernten Repräsentation visueller Dynamik, und das „Denken vor dem Handeln' im Titel bezieht sich konkret auf die Vorhersage von Ergebnissen, bevor eine physische Handlung ausgeführt wird.

Die Benchmarks sind der Teil, den angewandte Teams im Blick behalten sollten

Für alle, die auf physischer KI aufbauen, sind die drei Benchmarks konkreter nutzbar als das Modell selbst. Eine Modellveröffentlichung ist ein einzelnes Artefakt; gemeinsame Bewertungskriterien prägen dagegen, wie ein ganzes Feld Fortschritt misst, und wer den Benchmark definiert, bestimmt tendenziell, was als Erfolg gilt.

Meta verknüpft dies ausdrücklich mit der Beschleunigung externer Forschung und bietet der Community sowohl „die besten Modelle als auch Benchmarks' an. Teams, die Weltmodelle für Robotik evaluieren, sollten diese Benchmarks als eine Behauptung darüber verstehen, was physisches Schlussfolgern bedeutet – eine, die man übernehmen oder hinterfragen kann, aber nicht unkritisch akzeptieren sollte.

Die konkrete Implikation: V-JEPA 2 signalisiert, dass Meta beim Video-zu-Handlung-Weltmodell mitkonkurriert, und indem Meta die Maßstäbe zusammen mit dem Modell veröffentlicht, versucht das Unternehmen, die Bedingungen festzulegen, nach denen die physischen Schlussfolgerungsmodelle aller anderen bewertet werden. Dieser Schritt zur Standardsetzung wirkt über die Greif-Aufheben-Platzieren-Demo hinaus, mit der er einherging.