얀 르쿤과 랜들 베일스트리에로는 같은 대상을 적절한 여러 관찰로 연결하는 JEPA 학습 조건에서 내부 표현이 정렬되는 이론과 실험을 제시했다. 특정 비교에서 JEPA는 2,160만 샘플로 다음 토큰 예측의 9억 샘플과 같은 수준의 표현 유사성을 달성했다. 약 42배라는 차이는 그 지표의 샘플 효율이지 전체 비용 절감이나 일반 추론 우위가 아니다. 합성 이미지 설명 자료의 영향과 이론 가정을 실제 데이터가 완전히 충족하지 못하는 한계도 남는다.
특정 평가와 이론적 가정의 결과이며 전체 학습 비용이나 일반 지능의 우위를 뜻하지 않습니다.
얀 르쿤과 랜들 베일스트리에로는 같은 대상을 적절한 여러 관찰로 연결하는 JEPA 학습 조건에서 내부 표현이 정렬되는 이론과 실험을 제시했다. 특정 비교에서 JEPA는 2,160만 샘플로 다음 토큰 예측의 9억 샘플과 같은 수준의 표현 유사성을 달성했다. 약 42배라는 차이는 그 지표의 샘플 효율이지 전체 비용 절감이나 일반 추론 우위가 아니다. 합성 이미지 설명 자료의 영향과 이론 가정을 실제 데이터가 완전히 충족하지 못하는 한계도 남는다.