Fundamentosjepa
JEPA AI: qué predice y en qué se diferencia de un LLM
JEPA AI predice representaciones, no píxeles. Descubre cómo funcionan I-JEPA y V-JEPA 2, sus aplicaciones visuales y sus límites de investigación.
- Autor: humAIns
- 8 min de lectura
índice · 6 apartados
JEPA en lenguaje claro: contexto, representación y predicción
JEPA AI no intenta completar necesariamente una imagen dibujando los píxeles que faltan. Aprende a predecir una representación interna de una región o momento a partir de otra parte de la imagen o el vídeo. Es una familia de arquitecturas de investigación, no un chatbot listo para conversar ni un generador de imágenes de uso general.
Las siglas vienen de Joint-Embedding Predictive Architecture. Una representación —también llamada embedding— es una descripción numérica que un modelo aprende de los elementos relevantes de un dato. La idea es predecir esa descripción, no reproducir todos los detalles visuales del original.
Imagina una fotografía de una persona con parte de la cara tapada. Un sistema JEPA puede recibir la zona visible como contexto y aprender a anticipar la representación de la parte oculta. Eso no implica que su salida sea una cara reconstruida píxel a píxel ni que haya una única respuesta: la imagen podría ser ambigua. El objetivo es que la representación capturada sea útil para tareas posteriores.
En forma esquemática:
Imagen o vídeo → codificador del contexto → predictor → representación objetivo estimada
En el caso de I-JEPA, el artículo describe un codificador de contexto, un codificador objetivo y un predictor. Meta explica que se eligen bloques de destino suficientemente grandes y un contexto informativo para favorecer representaciones semánticas. El procedimiento de entrenamiento compara la predicción con la representación del bloque objetivo; no exige reconstruir el bloque como imagen.
I-JEPA y V-JEPA 2: qué estudia cada uno
I-JEPA es la variante centrada en imágenes. El artículo se envió a arXiv el 19 de enero de 2023 y describe aprendizaje autosupervisado: el sistema aprende de imágenes sin depender de etiquetas manuales para cada ejemplo. Predice las representaciones de varios bloques objetivo de una imagen a partir de un bloque de contexto. El trabajo presenta resultados en tareas posteriores de visión, entre ellas clasificación, conteo de objetos y estimación de profundidad.
Como dato concreto de su experimento, los autores informan de un modelo ViT-Huge/14 entrenado con ImageNet usando 16 GPU A100 en menos de 72 horas. Es un resultado de investigación bajo esas condiciones, no una estimación de coste para cualquier equipo ni una garantía para aplicaciones comerciales.
V-JEPA 2 traslada el enfoque al vídeo y a la dimensión temporal: además de información visual, importa cómo evoluciona una escena. El artículo se publicó en arXiv el 11 de junio de 2025. Sus autores informan de un preentrenamiento con más de un millón de horas de vídeo de internet. En el resumen del trabajo reportan 77,3 de acierto top-1 en Something-Something v2 para comprensión de movimiento y 39,7 de recall-at-5 en Epic-Kitchens-100 para anticipación de acciones. Son métricas de benchmarks concretos, no una medida universal de comprensión.
El artículo también presenta V-JEPA 2-AC, una variante con condicionamiento por acciones, postentrenada con menos de 62 horas de vídeos robóticos sin etiquetar del conjunto DROID. Los investigadores describen planificación con objetivos visuales y despliegue zero-shot en brazos Franka en dos laboratorios, para tareas de recoger y colocar objetos. En este contexto, zero-shot significa que no se entrenó específicamente para esas tareas o entornos de prueba; no significa que el sistema no requiriera datos, configuración o entrenamiento previo.
| Sistema | Datos y foco descritos en la investigación | Qué predice o demuestra el trabajo |
|---|---|---|
| I-JEPA | Imágenes; bloques de contexto y destino | Representaciones de regiones de una imagen; evaluación en tareas de visión |
| V-JEPA 2 | Vídeos a gran escala; comprensión temporal | Representaciones y aspectos de la evolución de escenas; benchmarks de vídeo |
| V-JEPA 2-AC | V-JEPA 2 postentrenado con menos de 62 horas de vídeos robóticos DROID | Planificación robótica con objetivos visuales en los entornos evaluados |
| LLM | Texto (y, según el sistema, otras modalidades) | Predicción de tokens para producir o procesar lenguaje; el objetivo concreto depende del modelo |
Las cifras y descripciones proceden del artículo de I-JEPA, del artículo de V-JEPA 2 y de la presentación de Meta sobre V-JEPA 2. Meta ofrece desde su página enlaces a código y modelos descargables. La disponibilidad de código o pesos no demuestra por sí misma que exista un servicio comercial listo para cualquier uso; revisa el repositorio y sus condiciones antes de integrar nada.
JEPA frente a IA generativa y LLM
La diferencia principal está en qué predice el modelo durante el aprendizaje. Un enfoque generativo puede aprender a producir una señal —por ejemplo, píxeles o tokens—; un JEPA predice representaciones de un objetivo a partir de un contexto. Un LLM, en cambio, suele entrenarse para predecir tokens de texto, aunque los sistemas actuales pueden incorporar componentes adicionales y otras modalidades.
Esto no significa que JEPA y la IA generativa sean incompatibles, ni que una arquitectura sea mejor en todos los casos. Resuelven objetivos distintos. Si se quiere obtener una imagen nueva que una persona pueda inspeccionar, un generador está diseñado para esa salida. Si se estudia cómo extraer información útil de escenas o anticipar cambios visuales, una representación predictiva puede ser una opción de investigación.
Tampoco es una frontera absoluta entre familias: el estudio de I-JEPA usa un decodificador generativo separado para convertir algunas representaciones predichas en visualizaciones interpretables. Esa herramienta ayuda a mostrar qué podría representar el modelo, pero no cambia el objetivo original del predictor.
Qué podría significar para audiovisual y visión
En una producción audiovisual, un modelo capaz de representar la estructura de una escena y anticipar cambios podría, hipotéticamente, ayudar a investigar tareas como localizar transiciones, identificar relaciones entre momentos de un clip o explorar qué acción parece seguir a otra. Un equipo también podría estudiar si una representación temporal aporta señales útiles para organizar material de archivo.
Son posibilidades de aplicación, no funciones comerciales confirmadas de I-JEPA o V-JEPA 2 ni promesas de rendimiento en un flujo de trabajo audiovisual. Los resultados publicados de V-JEPA 2 se refieren a benchmarks y experimentos robóticos descritos en el artículo. Antes de adoptar una técnica así, habría que probarla con material, condiciones y criterios de calidad propios, además de comprobar licencias, privacidad y coste.
Si trabajas con distintos formatos y entradas, consulta también nuestra guía sobre qué es la IA multimodal, el artículo sobre cómo se llama la IA de Meta y la explicación de modelos de IA. Para desarrollar criterio práctico sobre herramientas audiovisuales, puedes conocer el curso de IA para audiovisual; no presupone que JEPA forme parte de su temario.
Límites y estado de investigación
Los propios trabajos delimitan lo que se ha demostrado: I-JEPA se evalúa en tareas de visión y V-JEPA 2 en benchmarks de vídeo y experimentos de planificación robótica concretos. No prueban que un sistema tenga comprensión humana, que prediga correctamente cualquier escena o que esté listo para funcionar de forma general en producción.
También conviene distinguir entre el modelo base y las variantes o configuraciones evaluadas. V-JEPA 2-AC incorpora postentrenamiento con datos de interacción robótica. Por tanto, no se debe atribuir al modelo de vídeo sin más todo el comportamiento de planificación descrito para la variante. Los resultados dependen de los datos, la configuración experimental y las métricas elegidas.
Para interpretar una noticia sobre JEPA, pregunta: ¿qué variante se evaluó?, ¿con qué datos?, ¿qué predice exactamente?, ¿qué métrica se reporta?, ¿se trata de un resultado de laboratorio o de un producto disponible? Estas preguntas separan una posibilidad de investigación de una capacidad comprobada en un contexto concreto.
Preguntas frecuentes sobre JEPA AI
¿Qué significan las siglas JEPA?
JEPA significa Joint-Embedding Predictive Architecture: arquitectura predictiva de representaciones conjuntas. Nombra una familia de métodos que predice la representación de una parte de los datos usando otra como contexto.
¿JEPA genera imágenes?
No es su objetivo principal: predice representaciones, no píxeles. Un decodificador generativo aparte puede convertir una predicción en una visualización, como se hizo para ilustrar resultados de I-JEPA.
¿Qué diferencia hay entre I-JEPA y V-JEPA 2?
I-JEPA trabaja con imágenes y regiones espaciales. V-JEPA 2 trabaja con vídeo y añade información temporal; su variante V-JEPA 2-AC se estudia para planificación robótica tras postentrenamiento con datos de interacción.
¿Se puede usar como un chatbot?
No como arquitectura conversacional por sí sola. Meta describe combinar V-JEPA 2 con un modelo de lenguaje para tareas de preguntas y respuestas sobre vídeo; esa combinación no equivale a decir que JEPA sea un chatbot independiente.
Sigue leyendo en humAIns