eb_jepa
Una biblioteca de código abierto para aprender representaciones utilizando arquitecturas predictivas de incrustación conjunta basadas en energía.
Aprende representaciones para imágenes, vídeos y planificación condicionada por acciones utilizando JEPA.
eb_jepa es una biblioteca de código abierto que ofrece ejemplos comunitarios de arquitecturas predictivas de incrustación conjunta basadas en energía (JEPA) de Meta AI Research. Incluye código y tutoriales para aprender representaciones a partir de imágenes, vídeos y vídeos acondicionados por acciones, junto con capacidades de planificación. Se adapta a investigadores de IA y especialistas en aprendizaje automático de ingeniería civil que construyen modelos de mundos predictivos.
Qué es
La biblioteca ofrece ejemplos autotenidos para Image JEPA, Video JEPA y Action-Conditioned Video JEPA. Admite el entrenamiento en imágenes, la predicción de representaciones de vídeo del siguiente fotograma y el modelado de mundos con planificación en entornos de múltiples habitaciones. Incluye una estructuración de carpetas unificada y utilidades de lanzador SLURM para gestionar entrenamientos y barridos de hiperparámetros.
Para quién
Se adapta a ingenieros e investigadores de aprendizaje automático que desarrollan modelos predictivos y aprenden representaciones a partir de datos visuales. No es adecuado para profesionales de la ingeniería civil que buscan aplicaciones BIM listas para usar o software de usuario final sin experiencia en programación Python.
Funciones clave
Image JEPA
Aprende representaciones autosupervisadas a partir de imágenes sin etiquetar en conjuntos de datos como CIFAR-10 con evaluación de clasificación.
Video JEPA
Predice representaciones de la siguiente imagen secuencialmente a través de fotogramas de vídeo.
Action-Conditioned Video
Construye modelos de mundos y gestiona tareas de planificación de entornos utilizando arquitecturas de vídeo condicionadas por acciones.
SLURM Integration
Lanza trabajos individuales o barridos completos de hiperparámetros utilizando scripts SLURM integrados y seguimiento de Weights & Biases.
Listo en 3 pasos
Nuestro veredicto honesto
Lo mejor
- Incluye ejemplos autotenidos para JEPA de imagen, vídeo y vídeo condicionado por acciones
- La estructura de carpetas unificada codifica automáticamente los hiperparámetros clave para evitar colisiones
- El lanzador SLURM integrado admite barridos automáticos de hiperparámetros y promediado de semillas a través de Weights & Biases
- Utiliza la gestión moderna de paquetes uv junto con entornos virtuales estándar
Sus límites
- Las configuraciones predeterminadas están optimizadas para GPU H100 de gama alta y requieren ajustes de memoria en hardware más antiguo
- Requiere escribir y ejecutar scripts de Python con configuración manual del entorno
- Las rutas de los conjuntos de datos y los directorios de puntos de control deben exportarse manualmente mediante variables de shell
Precios y licencia
Gratis bajo la licencia Apache-2.0 sin opciones alojadas de pago. El único coste es ejecutarlo por cuenta propia en tu propia infraestructura de computación GPU.
Empleos para hispanohablantes
876 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$170 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Alternativas
Úsalo, o deja que lo configuremos
FAQ
¿Qué hardware se requiere para ejecutar los ejemplos de entrenamiento?
Las configuraciones predeterminadas están optimizadas para GPU H100, pero se pueden usar GPU más antiguas como A100 o V100 reduciendo los tamaños de lote.
¿Cómo se gestionan los barridos de hiperparámetros?
Puedes lanzar barridos completos definidos en configuraciones YAML usando el lanzador SLURM con la bandera --full-sweep.
