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

O que a Meta lançou, na prática

A 11 de junho de 2025, a Meta apresentou o V-JEPA 2, um modelo do 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: dotar os agentes de AI de um modelo interno de como o mundo irá reagir às suas ações.

A Meta enquadra três capacidades como o núcleo de um modelo do mundo — compreender, prever e planear. O primeiro V-JEPA cobria a compreensão e a previsão a partir de vídeo. O V-JEPA 2 é apresentado como uma evolução de ambas, ao ponto de os robôs conseguirem agir com base nas previsões do modelo.

Juntamente com o modelo, a Meta lançou três novos benchmarks destinados a permitir que outros investigadores meçam a capacidade dos seus próprios modelos para raciocinar sobre o mundo físico a partir de vídeo. Essa combinação — um modelo mais os critérios para avaliar modelos no mesmo domínio — é a parte mais relevante do lançamento.

A demonstração com robôs é limitada, e a Meta assume-o

A evidência concreta que a Meta apresenta é um resultado de laboratório: robôs a usar o V-JEPA 2 para alcançar objetos, pegar neles e colocá-los num novo local. Estas são as tarefas primitivas clássicas da manipulação robótica, e o anúncio descreve-as de forma direta, sem as apresentar como produtos acabados.

A expressão que a Meta usa é que os robôs conseguem 'interagir com objetos e ambientes desconhecidos para completar uma tarefa.' Este enquadramento é relevante. 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 fica limitada a alcançar, pegar e colocar, nos próprios laboratórios da Meta. Não há qualquer afirmação sobre taxas de sucesso, complexidade das tarefas ou implementação fora de condições controladas. Lido literalmente, trata-se de uma demonstração inicial de capacidade associada ao lançamento de um modelo.

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

Treinámos o V-JEPA 2 com vídeo, o que ajudou o modelo a aprender padrões importantes do mundo físico, incluindo a forma 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 detrás desta abordagem é que o vídeo passivo é abundante e a física é consistente, pelo que um modelo pode absorver como os objetos se movem e colidem sem ser explicitamente rotulado ou conduzido através de cada ação. As analogias da bola de ténis e do disco de hóquei no anúncio são a forma que a Meta encontrou para descrever a previsão de estados futuros, em vez do reconhecimento do estado atual.

Trata-se de uma linhagem distinta dos agentes orientados por 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' referido no título diz respeito, especificamente, a prever resultados antes de executar uma ação física.

Os benchmarks são a parte a acompanhar por equipas aplicadas

Para quem constrói soluções de AI para o mundo físico, os três benchmarks são mais úteis do que o próprio modelo. O lançamento de um modelo é um artefacto isolado; critérios de avaliação partilhados moldam a forma como todo um campo mede o progresso, e quem define o benchmark tende a definir o que conta como sucesso.

A Meta associa explicitamente esta iniciativa à aceleração da investigação externa, disponibilizando à comunidade 'os melhores modelos e benchmarks'. As equipas que avaliam modelos do mundo para robótica devem tratar estes benchmarks como uma afirmação sobre o que significa raciocínio físico — algo a adotar ou a contestar, não a aceitar sem análise crítica.

A implicação concreta: o V-JEPA 2 sinaliza que a Meta está a competir no domínio dos modelos do mundo de vídeo-para-ação, e ao publicar os critérios de avaliação juntamente com o modelo, procura definir os termos segundo os quais os modelos de raciocínio físico de todos os outros serão avaliados. Esse gesto de definição de padrões perdura muito além da demonstração de alcançar, pegar e colocar com que chegou.