eb_jepa
Uma biblioteca open source para aprender representações usando arquiteturas preditivas de embedding conjunto baseadas em energia.
Aprenda representações para imagens, vídeos e planejamento condicionado a ações usando JEPAs.
eb_jepa é uma biblioteca open source que fornece exemplos comunitários de Arquiteturas Preditivas de Embedding Conjunto Baseadas em Energia (JEPAs) da Meta AI Research. Inclui código e tutoriais para aprender representações a partir de imagens, vídeos e vídeos condicionados a ações, juntamente com recursos de planejamento. É ideal para pesquisadores de IA e especialistas em machine learning de engenharia civil que constroem modelos de mundo preditivos.
O que é
A biblioteca oferece exemplos independentes para Image JEPA, Video JEPA e Action-Conditioned Video JEPA. Ela suporta treinamento em imagens, predição de representações de vídeo quadro a quadro e modelagem de mundos com planejamento em ambientes de múltiplos cômodos. Inclui estruturação de pastas unificada e utilitários de inicialização SLURM para gerenciar treinamentos e varreduras de hiperparâmetros.
Para quem
É ideal para engenheiros de machine learning e pesquisadores que desenvolvem modelos preditivos e aprendem representações a partir de dados visuais. Não é adequado para profissionais de engenharia civil que buscam aplicativos BIM prontos para uso ou software para usuário final sem experiência em programação Python.
Recursos principais
Image JEPA
Aprenda representações autossupervisionadas a partir de imagens não rotuladas em datasets como CIFAR-10 com avaliação de classificação.
Video JEPA
Prediga representações de imagens seguintes sequencialmente através de quadros de vídeo.
Action-Conditioned Video
Construa modelos de mundo e realize tarefas de planejamento de ambiente usando arquiteturas de vídeo condicionadas a ações.
SLURM Integration
Inicie trabalhos individuais ou varreduras completas de hiperparâmetros usando scripts SLURM integrados e rastreamento do Weights & Biases.
Pronto em 3 passos
Nosso veredito honesto
Pontos fortes
- Inclui exemplos independentes para JEPAs de imagem, vídeo e vídeo condicionado a ações
- A estrutura de pastas unificada codifica automaticamente hiperparâmetros chave para evitar colisões
- O inicializador SLURM integrado suporta varreduras automatizadas de hiperparâmetros e média de sementes via Weights & Biases
- Usa gerenciamento de pacotes uv moderno juntamente com ambientes virtuais padrão
Onde deixa a desejar
- As configurações padrão são otimizadas para GPUs H100 de ponta e exigem ajustes de memória em hardwares mais antigos
- Exige escrever e executar scripts Python com configuração manual de ambiente
- Os caminhos dos datasets e diretórios de checkpoints devem ser exportados manualmente via variáveis de shell
Preços & licença
Gratuito sob a licença Apache-2.0, sem opções hospedadas pagas disponíveis. O único custo é executá-lo por conta própria em sua própria infraestrutura de computação GPU.
Vagas para quem fala português
876 vagas remotas abertas de treinamento de IA, atualizadas em 15 de novembro de 2026; a maioria paga $20–$170 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Alternativas
Use, ou deixe que a gente configure
FAQ
Qual hardware é necessário para executar os exemplos de treinamento?
As configurações padrão são otimizadas para GPUs H100, mas GPUs mais antigas como A100 ou V100 podem ser usadas reduzindo os tamanhos de lote.
Como as varreduras de hiperparâmetros são tratadas?
Você pode iniciar varreduras completas definidas em configurações YAML usando o inicializador SLURM com a flag --full-sweep.
