知识卡片：RoboJEPA：机器人潜世界模型的规模化

一句话结论

RoboJEPA 是一个基于 JEPA、覆盖 12 种机器人本体并在真实机器人数据上训练的多本体潜世界模型；作者报告其“想象误差”随计算量呈二阶幂律，并可用于预测下游规划表现与零样本真实机器人部署。

事件概述或研究问题

论文关注一个开放问题：潜世界模型的能力如何随模型规模、数据和计算量扩展，目前缺少原则化的估计方法，拖慢该领域进展。作者提出 RoboJEPA，试图为多本体机器人潜世界模型建立可预测的规模化规律，并验证其在真实机器人规划中的意义。

方法/产品要点

• 架构基础：Joint Embedding Predictive Architecture（JEPA），属于潜世界模型路线。
• 训练数据：大规模数据集，覆盖 12 种机器人本体（robotic embodiments）；摘要称使用真实机器人数据训练。
• 核心指标：imagination error，即潜空间中 rollout 的误差。
• 规模：RoboJEPA 为 8B 参数模型；作者称其为迄今最大的 JEPA predictor model。
• 开源：作者称发布所有模型 checkpoint，以及训练代码和机器人部署代码。
• 评估方向：研究 imagination error 与 compute 的缩放关系，并检查其与下游机器人规划性能的相关性。

主要结果或产业意义

• 缩放规律：RoboJEPA 的 imagination error 随 compute 呈二阶幂律（second-order power law），作者称可在拟合尺度之外预测模型质量。
• 下游性能：机器人规划性能随 compute 可预测地提升；imagination error 与下游规划性能强相关，因此可作为真实机器人评估的可靠代理指标。
• 零样本部署：潜世界模型可零样本作为机器人智能体，朝单张目标图像进行规划，在真实硬件上完成需要长时程规划的任务。
• 作者声明：这是首个为多本体机器人世界模型（基于真实机器人数据训练）建立 scaling laws 的工作。
• 产业意义：若规模化规律成立，机器人世界模型研发可更早估算模型质量，减少对昂贵真实机器人评测的依赖；多本体训练与开源 checkpoint 也有助于通用机器人基础模型生态。

为什么重要

这条工作把 LLM 领域常见的 scaling laws 思路引入机器人潜世界模型，并尝试用想象误差作为可预测的代理指标。若结论稳健，它会改变机器人世界模型的研发节奏：团队可以在训练前/训练中估算收益，而不是只靠真实机器人试错。与既有相关卡片相比，已有卡片更关注物理一致性潜模型、视频世界模型的外推动力学、以及机器人价值基础模型；本条的增量信息集中在“多本体机器人潜世界模型的规模化规律、想象误差作为评估代理、以及零样本真实机器人规划部署”。

局限与不确定性

• 摘要未给出具体数据集名称、12 种本体的完整列表、训练数据规模与采集条件，待核实。
• 二阶幂律的具体公式、指数、常数、拟合区间、外推误差和置信区间未在摘要中说明，待核实。
• 下游规划性能的评测任务、基线、成功率、长时程定义与真实机器人硬件配置未在摘要中说明，待核实。
• 零样本部署的任务数量、失败模式、安全干预、人工回退机制和跨本体泛化边界未在摘要中说明，待核实。
• “首个”“最大”均为作者声明，需独立核实；论文的同行评审状态、代码许可与 checkpoint 可复现性待核实。
• 训练计算资源、碳成本、数据许可与隐私合规信息未在摘要中体现，待核实。

可用于图书/PPT/简报的角度

• 从 LLM scaling laws 到机器人世界模型 scaling laws：可预测的“计算—能力”曲线。
• 用潜空间想象误差替代昂贵真实机器人评估：代理指标的设计逻辑与风险。
• 多本体潜世界模型：走向跨机器人形态的通用基础模型。
• 8B JEPA predictor 与开源 checkpoint：机器人世界模型的工程化与生态。
• 单张目标图像驱动的零样本长时程规划：世界模型作为机器人智能体。

原始材料

• 英文标题：RoboJEPA: Scaling Robotic Latent World Models
• 英文关键词（材料未列官方关键词，以下为据摘要提炼）：JEPA; latent world models; scaling laws; robotic planning; multi-embodiment; zero-shot; 8B parameters; real robot data
• arXiv ID：2610.10515v1
• 作者：Artem Zholus, Nicolas Beltran-Velez, Jianhao Yuan, Sarath Chandar, Tushar Nagarajan, Daniel Severo, Koustuv Sinha, Michal Drozdzal, Adriana Romero Soriano, Jeannette Bohg, Nicolas Ballas, Mahmoud Assran
• 材料标注发布日期：2026-10-07T17:54:42Z；更新时间：2026-10-07T17:54:42Z
• 主分类：cs.AI；分类：cs.AI, cs.RO
• Track：academic；Topics：foundation-model
• Abstract URL：https://arxiv.org/abs/2610.10515v1
• PDF URL：https://arxiv.org/pdf/2610.10515v1