# Architektury predykcyjne wspólnego osadzenia (JEPA)

EN: **Joint Embedding Predictive Architectures (JEPA)** · id `jepa`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Uczenie ze wzmocnieniem i decyzje](https://aiatlasgraph.com/t/decisions.md) › [Modele świata i planowanie](https://aiatlasgraph.com/t/modelbased.md) › Architektury predykcyjne wspólnego osadzenia (JEPA)

## Description

- PL: Modele uczące się przewidywać abstrakcyjne reprezentacje przyszłych lub brakujących stanów w przestrzeni osadzeń, zamiast rekonstruować surowe dane (piksele, tokeny).
- EN: Models that learn to predict abstract representations of future or missing states in embedding space, rather than reconstructing raw data (pixels, tokens).

## In one sentence

- PL: To sposób uczenia modeli, żeby przewidywały, co będzie dalej, ale w uproszczonej formie, bez odtwarzania każdego szczegółu obrazu czy dźwięku.
- EN: A way of training models to predict what comes next, but in simplified form, without reconstructing every detail of an image or sound.

## Problem it solves

- PL: Pełne odtwarzanie szczegółów (np. pikseli) jest kosztowne i często niepotrzebne, gdy interesuje nas tylko struktura i zmiany otoczenia.
- EN: Fully reconstructing details (e.g. pixels) is costly and often unnecessary when we mainly care about structure and changes in the environment.

## What it does

- PL: Koduje obserwacje do ukrytej przestrzeni i uczy się przewidywać reprezentację przyszłego stanu z obecnego, pomijając nieistotne detale.
- EN: It encodes observations into a latent space and learns to predict the representation of a future state from the current one, ignoring irrelevant details.

## Everyday example

- PL: Model patrzy na kilka klatek wideo i przewiduje, jak będzie wyglądała scena za chwilę, ale tylko w formie cech, nie pełnego obrazu.
- EN: A model looks at a few video frames and predicts what the scene will look like shortly, but only as features, not a full image.

## This concerns you if you…

- PL: chcesz modeli, które rozumieją dynamikę otoczenia bez generowania pikseli
- PL: interesuje Cię efektywne predykcyjne modelowanie świata
- EN: want models that understand environmental dynamics without generating pixels
- EN: are interested in efficient predictive world modelling

## Keywords

JEPA · joint embedding · predictive architecture · latent prediction · V-JEPA · I-JEPA

## How it works

- PL: Obserwacje są kodowane przez sieć do osadzeń. Osobna sieć predykcyjna uczy się mapować bieżące osadzenie (i ewentualnie akcję) na przewidywane przyszłe osadzenie. Strata jest liczona w przestrzeni osadzeń, co pozwala pominąć niskopoziomowe detale.
- EN: Observations are encoded by a network into embeddings. A separate prediction network learns to map the current embedding (and optionally an action) to a predicted future embedding. The loss is computed in embedding space, allowing low-level details to be ignored.

## Limits

- PL: Wymaga dobrze dobranych kodowań i może tracić informacje potrzebne do pełnej rekonstrukcji. Ocena jakości predykcji w ukrytej przestrzeni jest trudniejsza niż w przypadku generatywnych modeli.
- EN: Requires well-chosen encodings and may discard information needed for full reconstruction. Evaluating prediction quality in latent space is harder than with generative models.

## Key terms

- PL: **osadzenie wspólne**: Reprezentacja, w której różne widoki tej samej sceny lub stanu są blisko siebie.
- PL: **predykcja w osadzeniu**: Przewidywanie przyszłego stanu bezpośrednio w przestrzeni cech, a nie w surowych danych.
- EN: **joint embedding**: A representation where different views of the same scene or state lie close together.
- EN: **embedding prediction**: Predicting a future state directly in feature space rather than in raw data.

## Know first

- [Modele świata i planowanie (Model-based reinforcement learning)](https://aiatlasgraph.com/t/modelbased.md)
- [Rodziny modeli generatywnych (Generative model families)](https://aiatlasgraph.com/t/generative.md)

## Subtopics (2 direct, 2 in total)

- [Hierarchiczne JEPA (H-JEPA) (Hierarchical Joint Embedding Predictive Architectures (H-JEPA))](https://aiatlasgraph.com/t/hjepa.md): An extension of JEPA with planning at multiple levels of abstraction, using separate representations for different timescales.
- [JEPA-Anything – uniwersalne predykcyjne modele świata (JEPA-Anything: domain-agnostic predictive world models)](https://aiatlasgraph.com/t/jepaanything.md): An extension of JEPA with orthogonal predictive factorization (OPF), enabling a shared learning principle for world models across many different domains.

## Related topics

Untyped, symmetric "see also" links.

- [Generatywne modele świata dla agentów i robotów (Generative world models for agents and robotics)](https://aiatlasgraph.com/t/worldfoundation.md)
- [Samonadzorowane uczenie z obrazów (Self-supervised visual pretraining)](https://aiatlasgraph.com/t/visionssl.md)

## Sources

- [JEPA-Anything: Learning Predictive Models across Different Worlds](<https://arxiv.org/abs/2609.20800>) `jepaanything-arxiv-2026` · by Taoyong Cui, Zhongyao Wang, Xinyue Xu, Weiyang Liu et al. (PhAI Labs i współpracownicy)

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/jepa · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30