ThinkJEPA: 대규모 시각-언어 추론 모델을 활용한 잠재 세계 모델의 성능 향상

ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model

최근 잠재 세계 모델(예: V-JEPA2)의 발전은 비디오 관찰로부터 미래 세계 상태를 예측하는 데 있어 유망한 가능성을 보여주었습니다. 그러나 짧은 관찰 기간 동안의 밀집 예측은 시간적 맥락을 제한하고 예측기를 지역적, 저수준 외삽에 치우치게 하여 장기적인 의미를 파악하기 어렵게 만들고, 결과적으로 활용도를 떨어뜨립니다. 반면, 시각-언어 모델(VLMs)은 균일하게 샘플링된 프레임을 기반으로 추론하여 강력한 의미론적 기반과 일반적인 지식을 제공하지만, 계산 비용으로 인한 희소 샘플링, 세부적인 상호 작용 상태를 텍스트 기반 표현으로 압축하는 언어 출력 병목 현상, 그리고 작은 동작 조건 데이터 세트에 적용할 때 발생하는 데이터 체계 불일치 등의 문제로 인해 독립적인 밀집 예측기로는 이상적이지 않습니다. 우리는 VLM을 활용하여 JEPA 스타일의 잠재 세계 모델링 프레임워크를 제안합니다. 이 프레임워크는 밀집 프레임 동역학 모델링과 대규모 시간 범위를 고려한 의미론적 지침을 이중 시간 경로를 통해 결합합니다. 즉, 세밀한 동작 및 상호 작용 단서를 위한 밀집 JEPA 분기, 그리고 풍부한 지식 기반 지침을 제공하는 더 큰 시간 간격을 가진 균일하게 샘플링된 VLM '사고' 분기를 사용합니다. VLM의 점진적인 추론 신호를 효과적으로 전달하기 위해, 다층 VLM 표현을 집계하여 잠재 예측과 호환되는 지침 특징을 생성하는 계층적 피라미드 표현 추출 모듈을 도입했습니다. 손 조작 경로 예측 실험 결과, 제안하는 방법은 강력한 VLM 기반 모델과 JEPA 예측기 기반 모델 모두를 능가하며, 더욱 안정적인 장기 예측 성능을 보여줍니다.

Recent progress in latent world models (e.g., V-JEPA2) has shown promising capability in forecasting future world states from video observations. Nevertheless, dense prediction from a short observation window limits temporal context and can bias predictors toward local, low-level extrapolation, making it difficult to capture long-horizon semantics and reducing downstream utility. Vision--language models (VLMs), in contrast, provide strong semantic grounding and general knowledge by reasoning over uniformly sampled frames, but they are not ideal as standalone dense predictors due to compute-driven sparse sampling, a language-output bottleneck that compresses fine-grained interaction states into text-oriented representations, and a data-regime mismatch when adapting to small action-conditioned datasets. We propose a VLM-guided JEPA-style latent world modeling framework that combines dense-frame dynamics modeling with long-horizon semantic guidance via a dual-temporal pathway: a dense JEPA branch for fine-grained motion and interaction cues, and a uniformly sampled VLM \emph{thinker} branch with a larger temporal stride for knowledge-rich guidance. To transfer the VLM's progressive reasoning signals effectively, we introduce a hierarchical pyramid representation extraction module that aggregates multi-layer VLM representations into guidance features compatible with latent prediction. Experiments on hand-manipulation trajectory prediction show that our method outperforms both a strong VLM-only baseline and a JEPA-predictor baseline, and yields more robust long-horizon rollout behavior.