AI 摘要 · 由英文经 AI 翻译

Proving and Improving the Platonic Representation Hypothesis with JEPAs

Randall Balestriero, Yann LeCun

arXiv:2610.39302v1cs.AIcs.CVstat.ML

TL;DR

柏拉图表征假说认为,使用不同模态训练的模型会趋于收敛,但实际应用中的 JEPA 目标既缺乏证明,也没有说明该假说何时成立或如何改善对齐。本文证明了 JEPA 对齐的一个条件,并报告称,良好视图比 next-token prediction 对齐效果更好、效率更高。

  • 问题

    对于包括 JEPA 在内的实际自监督目标,柏拉图表征假说缺乏证明,也没有说明该假说何时成立或如何改善对齐。

    出处:§1 · p. 2
  • 方法

    本文证明,若不同模态使用表示相同世界状态的正样本对,分别训练的 JEPA 可在旋转变换下对齐;此外,本文将 next-token prediction 定性为一种坏视图 JEPA。

    出处:§1 · p. 2
  • Results

    Good views align best across data, encoders, and modalities; they need 42 times fewer samples than next-token prediction for equal alignment, and a 109M text JEPA exceeds evaluated language models through 72B.

    出处:§1 · p. 2
  • 要点与局限

    本文指出,构建柏拉图表征的关键在于正视图,而非单纯扩大模型规模。

    出处:§7 · p. 15

    良好视图依赖于识别描述同一场景的文本;没有图像描述模型时,仅用文本改写和 alt-text 在 WIT 上达到 .060,而使用重新生成的描述时为 .107。

    出处:§7 · p. 15

Abstract

from arXiv · show

Whether models trained on different modalities converge to the same representation of the world is central to AI. The Platonic Representation Hypothesis (PRH) conjectures that they do as they scale, but without a proof it offers neither a guarantee nor a recipe. We turn the hypothesis into a theorem. First, we prove a \emph{Platonic Representation Theorem}: Joint-Embedding Predictive Architectures (JEPAs) trained separately on any number of modalities learn the same representation up to one rotation whenever their positive pairs are two observations of one scene--\emph{good views}--and their misalignment is bounded otherwise. Second, we show that next-token prediction is a JEPA with \emph{bad views}, parts of a single document, which explains why language models align with vision only through scale. Third, we validate the theory from 145k captions to the texts of 940M web images, and uncover a scaling law of alignment that predicts unseen runs within seed noise. Good views need 42 times fewer training samples than next-token prediction on the same corpus to reach the same alignment, and a 109M-parameter text JEPA aligns with DINOv2 and CLIP's image encoders better than every language model we evaluated, up to 72B parameters, and than CLIP's text encoder: next-token prediction is a remarkably inefficient route to platonic representations. As a showcase, one rotation turns separately trained encoders into an image captioner (CIDEr .838 on COCO). Even that rotation needs no pair: on the latest pair-free benchmark, our text JEPA beats every zero-shot accuracy reported with language models up to 8B parameters, e.g., 64\% against at most 56\% top-5 on ImageNet-100. Positive views, and not scale alone, are thus the lever to build platonic representations.

1 引言

本文针对 Platonic Representation Hypothesis 缺少证明和训练方案的问题,证明在共享正向世界状态配对下,分别训练的 JEPA 可学得仅差一个旋转的表示。文章指出 next-token prediction 使用的是坏视图,并报告了好视图带来的更强对齐效果,以及图像描述和无配对零样本应用。

1 引言

  • 在正向世界状态配对一致且最优解在旋转意义下唯一时,任意数量模态上的 JEPA 分别训练后都能学得仅差一个旋转的同一表示;否则,对齐程度受失配界限约束。该定理适用于呈现同一世界的模态;失配界限取决于正向配对之间的差异。出处:§1 · p. 2
  • Next-token prediction 是一种坏视图 JEPA:它将文档前缀与后续内容配成正例,这解释了语言模型为何只能部分与视觉对齐,且主要依赖规模。其防坍塌项是 softmax log-partition。出处:§1 · p. 2
  • 在 captions、网页图像文本和视频上,几乎所有比较中好视图的对齐效果都最好;一条对齐缩放定律预测的 85 次新运行结果均落在种子噪声范围内。评估范围从 145k 条 Flickr captions 到 940M 张网页图像的文本,图像编码器既有从头训练的,也有冻结的。出处:§1 · p. 2
  • 要达到同等对齐水平,好视图所需样本量比 next-token prediction 少 42 倍;一个 109M 参数的文本 JEPA 优于所有评估过的、规模最高达 72B 的语言模型以及 CLIP 的文本编码器。在同一语料上,文本 JEPA 用 21.6M 个样本便达到 next-token prediction 的对齐水平,后者需要 900M 个样本。出处:§1 · p. 2
  • 一次旋转即可将冻结的 DINOv2 和 DINOv3 图像编码器与仅用文本微调的语言模型连接起来用于图像描述,在 COCO 上达到 CIDEr .838,且无需用图像-描述配对训练网络。只有旋转变换是在图像-描述配对上拟合的。出处:§1 · p. 2
  • 使用未配对的图像和 captions 时,109M 参数的文本 JEPA 在 21 组视觉-语言配对和五种设置下,优于所有已报告的零样本准确率;在 ImageNet-100 上,同等条件下比 Qwen3-8B 高 17 个百分点。比较采用零样本分类。出处:§1 · p. 3

2 共享正样本可严格保证表征具有柏拉图性

该理论以共享正样本对为跨模态一致性的基础:在给定的 JEPA 假设下,分别训练的编码器学到同一个世界嵌入,至多相差旋转;正样本不同则会限制对齐程度。良好视图连接同一场景的观测;而不良视图和下一词预测诱导的核则受数据和干扰因素影响。

2.1 柏拉图表征定理

  • 若模态共享正样本对分布,且极小解在旋转意义下唯一,则分别训练的模态会学到同一个世界嵌入,各自至多相差一个旋转。该定理适用于有限世界的单射渲染,并假设总体最优;对于白化 JEPA,谱间隙可保证唯一性。出处:§2.1 · p. 3
  • 对于满足二阶防坍缩条件的白化 JEPA,学到的表征是正样本所构图的顶部特征向量;若谱存在间隙,则该表征在旋转意义下唯一。谱结果假设第 k 个特征值之后存在间隙;论文将 LeJEPA 在完整分布约束下的唯一性作为假设,而未予证明。出处:§2.1 · p. 3

2.2 正样本不同时

  • 定理 2 以正样本核的不匹配和谱分离度为依据,界定旋转后的失配程度;在 300 个生成世界中,误差均低于该界,最高仅为界值的 18%。测试中的核具有相同边缘分布,且一半世界经过聚类并具有较小的谱间隙。出处:§2.2 · p. 4, Figure 2 · p. 4

2.3 良好视图与不良视图 JEPA

  • 良好视图将相关世界状态的观测配对,并避开干扰因素;而不良视图的破坏可能使编码器将嵌入方向用于模态特有的干扰因素,这些方向无法通过旋转对齐。在给定的相关性和谱间隙条件下,当干扰因素的相关性超过状态在第 k 个方向上的相关性时,不良视图 JEPA 恰好会用至少一个方向表征干扰因素。出处:§2.3 · p. 5
  • 视图和数据共同决定诱导出的世界核:良好视图能恢复世界的核;不良视图能否达成一致,则取决于数据是否使其正样本连接相同状态。较弱的破坏需要更密集的采样,才能连接同一场景中的观测;跨场景的正样本会限制对齐程度,而良好视图只需每个状态一个样本即可实现精确对齐。出处:§2.3 · pp. 5–6

2.4 下一词预测是一种不良视图 JEPA

  • 下一词预测是一种 JEPA,其正样本是前缀与续写,并带有对数配分函数防坍缩项;共享续写会形成较弱的隐式正样本,只有数据足够密集时才可能连接不同场景。论文将干扰因素捕获及其对视觉对齐依赖规模的解释视为启发式,而非推论,因为下一词预测不是谱 JEPA,且其表征仅在 GL(k) 意义下确定。出处:§2.4 · p. 7

3 好视图提升对齐效果

在不同模态之间,使用同一场景的不同观测作为视图训练的 JEPA,比使用单个观测的损坏版本或采用 next-token prediction 训练的 JEPA 对齐效果更好。视图裁剪是影响最大的配方选择,而好视图有助于图像–文本对齐的两端。

3.1 好视图促进跨模态对齐

  • 通过一次旋转和 caption 视图,4.4% 的测试图像能将真实 caption 排在首位,是随机概率的 44 倍;而 masked spans 和 next-token prediction 的表现仍远低于此。在 next-token prediction 中加入同一图像的两条 caption,几乎不改变 mutual 10-NN(.042 到 .043)或 R@1(.021 到 .023)。出处:Table 1 · p. 7, §3.1 · p. 8, Figure 5 · p. 8

3.2 裁剪形成好视图,其余因素影响甚微

  • 视图裁剪影响最大:以完整 caption 作为视图会使 R@1 从 .246 降至 .185,而其他测试设置对均值的影响最多为 .016。梯度裁剪可避免大多数观察到的坍塌;不使用梯度裁剪时,36 次默认权重运行中有 3 次骤然坍塌。出处:§3.2 · pp. 8–9, Figure 7 · p. 9

3.3 好视图对两侧都有帮助

  • 在 MSR-VTT 上,两侧都使用好视图时 mutual 10-NN 为 .067,两侧都不使用时为 .039;DINOv2 与图像 JEPA crops 的对齐优于与 frames 的对齐(.144 vs. .132)。仅使用好文本视图时达到 .059,仅使用好图像视图时达到 .043;这一排序在每个 seed 中都成立。出处:§3.3 · p. 9, Figure 8 · p. 9

3.4 好视图 JEPA 优于预训练语言模型,并接近使用配对数据训练的编码器

  • 使用好视图 JEPA 时,24.6% 的测试图像能将真实 caption 排在首位;相比之下,坏视图 JEPA 为 .133,next-token prediction 为 .118。用全部 30k Flickr 配对数据拟合旋转后,好视图的 R@1 达到 .346;仅使用网络文本时达到 .464。出处:§3.4 · p. 10, Figure 9 · p. 10

4 下一词预测的扩展效率不如良好视图 JEPA

相比下一词预测,良好视图 JEPA 能更高效地提升对齐效果,并在报告的视觉比较中胜过所有受评估的语言模型。在测试范围内,对齐还遵循经验缩放律,但超出该范围后预测准确性有限。

4 下一词预测的扩展效率不如良好视图 JEPA

  • 在网页文本上训练的 109M 良好视图 JEPA 尽管只读过 116B tokens,仍胜过受评估的语言模型;这些模型的训练数据则有 15–18T tokens。论文报告称,良好视图只需 42 倍更少的样本,就能达到相同的对齐水平。出处:§4 · p. 10

4.1 良好视图在网页文本上扩展

  • 使用 50M 条网页图像文本时,33M 良好视图 JEPA 在 WIT 上达到 .108,而坏视图 JEPA 为 .053,采用相同设置训练的下一词预测模型为 .071。其 WIT 对齐分数从 Flickr captions 上的 .034 提升至使用 50M 张图像文本时的 .125;50M 和 100M 模型分别与 Qwen2.5-3B 和 -7B 持平(.125 和 .118)。出处:§4.1 · p. 10, Figure 10 · p. 11

4.2 良好视图所需样本少 42 倍

  • 良好视图 JEPA 只需少 42 倍的样本,就能达到下一词预测使用 900M 个样本后的 WIT 对齐水平:使用 21.6M 个样本时为 .109,使用 900M 个样本时为 .111。比较采用相同的 109M 编码器和语料;良好视图的 Flickr R@1 也更高(.388,对比 .335)。出处:§4 · p. 10, §4.2 · p. 11

4.3 109M 文本 JEPA 胜过参数量最高达 72B 的语言模型

  • 109M 良好视图 JEPA 搭配 DINOv2 ViT-B,在 PRH 基准上达到 .184,胜过所有受评估的语言模型,包括参数量最高达 72B 的模型。这一优势在不同规模的 DINOv2、其他报告的视觉模型系列以及更大的 COCO 基准上也成立;使用相同文本的下一词预测和坏视图对照模型则远远落后。出处:§4.3 · p. 11, Table 3 · p. 12

4.4 PRH 的缩放律

  • 该缩放律对 85 次未见运行的预测误差为 Flickr R@1 RMSE .0093,接近同一次运行两个随机种子之间的 .0096 差异。在 320M 个样本时,该缩放律会高估采用良好视图的运行结果,也没有纳入重复数据项;其指数难以准确辨识,且只是对一种训练方案的经验性总结。出处:Figure 11 · p. 12, §4.4 · p. 13

5 将柏拉图表征用作工具

通过一次旋转,可以将分别训练的图像和文本编码器连接起来完成图像描述;论文还测试了无配对数据时的对齐效果。结果显示,该方法能将图像描述能力迁移到不同数据集,并在所报告的基准上实现强劲的无配对对齐。

5.1 无需在图像—描述配对数据上训练网络的图像描述

  • 描述解码器根据冻结的 good-view text-JEPA 嵌入重建描述文本,并将嵌入噪声设为与图像—描述对齐残差相匹配。旋转是唯一使用图像—描述配对数据拟合的组件;论文报告,迁移效果在噪声水平 σ = 3 时达到峰值。出处:§5.1 · p. 13
  • 仅用 30k 个 Flickr 配对样本拟合一次旋转,并在文本上微调纯文本解码器,即可在 COCO 上达到 CIDEr .838。该设置使用冻结的 DINOv2 和 DINOv3 图像编码器,并对 32 条描述进行共识解码。出处:§5.1 · p. 13, §5 · p. 13
  • 在 Flickr 上拟合的旋转也能迁移到视频:在 MSR-VTT 上,图像描述器无需视频训练即可达到 CIDEr .246;对八帧取平均后,无拟合互惠 10-NN 从 .148 升至 .167。该图像描述分数低于视频—语言系统以及在 MSR-VTT 描述文本上训练的解码器。出处:§5.1 · pp. 13–14

5.2 完全无需配对数据的对齐

  • 109M 参数的 good-view JEPA 无需配对数据,即可在 ImageNet-100 上达到 64.4% 的 top-5 准确率,高于对比中所有已报告的零样本准确率;其中最高值为 56%。在相同的无配对 COCO 协议下,其 FOSCTTM 达到 .018;Flickr 检索准确率为 16.4% ± 10.4%,随机水平为 0.1%。出处:§5.2 · p. 14, Table 4 · p. 14

6 相关工作

本文将自身贡献置于表征对齐、可辨识性及嵌入空间匹配方法等理论脉络中。本文的区别在于刻画哪些分别训练的目标能使编码器可对齐,而不只是探讨如何对齐已有编码器。

6 相关工作

  • 早期 PRH 理论依赖理想化的对比学习设定,而文中引用的深度线性网络结果和多语种翻译理论讨论的是不同的模型或对齐设定。本文将有损观测视为既有 PRH 论证尚未解决的问题,并将自身重点与正样本对不匹配的情形区分开来。出处:§6 · p. 14
  • 既有可辨识性研究能够恢复潜变量,且仅存在简单变换的不确定性;在联合训练时,这类恢复也适用于跨模态情形。本文则研究分别训练的模态。本文对谱域 JEPA 的分析建立在自监督学习和正样本对结构的既有研究之上。出处:§6 · p. 14
  • 对齐已有嵌入空间的方法,从正交 Procrustes 到无需配对数据的共享几何匹配不等;本文探讨哪些训练目标能使编码器可对齐。作者将 Procrustes 映射描述为最简单的对齐工具,并且只在图像描述任务中使用配对数据拟合一个正交映射。出处:§6 · p. 15
  • 不同于基于联合训练编码器的既有纯文本描述生成方法,本文采用分别训练的编码器,并且仅利用图像–描述配对数据拟合一个映射。本文将该方法与配对线性映射方法,以及基于对抗训练或共享检测器概念的无配对描述生成方法区分开来。出处:§6 · p. 15

7 结论

本文给出了分别训练的 JEPAs 恢复对齐表征的条件,并指出,构建这类表征的关键在于正视图,而非单纯扩大规模。实验显示了对齐效果的提升,但定理和实验也有重要的适用范围限制。

结论

  • 对于单射渲染的总体最优解,当不同模态在正世界状态配对上达成一致,且极小解在旋转意义下唯一时,PRH 可被证明为定理。正配对不匹配时,表征失配有界;若破坏其中一个观测,模型可能会将维度分配给模态特有的干扰因素。出处:§7 · p. 15
  • 在不同数据、编码器和模态间,good views 带来的对齐效果最佳;达到相同对齐水平所需样本比 next-token prediction 少 42 倍;由此训练出的 109M 文本 JEPA,在论文基准上优于所有纳入评估、参数规模最高达 72B 的语言模型。论文还报告了一条 scaling law,可在种子噪声范围内预测未见过的运行结果。出处:§7 · p. 15
  • 这些定理假设世界有限、渲染为单射且边缘分布匹配;而真实模态存在信息损失,有限样本训练则依赖网络的归纳偏置。唯一性证明针对的是二阶 anti-collapse,而非 LeJEPA 的完整分布约束。出处:§7 · p. 15
  • 主要的实证限制在于,使用 good views 需要知道哪些文本描述的是同一场景;本文为此使用了人工整理的 caption 组,或为 Recap-DataComp 生成的文本。没有图像 captioner 时,alt-text 和纯文本释义在 WIT 上的得分为 .060,而使用重新生成的 captions 时为 .107;在相同文本上比较不同视图则不受这一差异影响。出处:§7 · p. 15
  • 论文指出,构建 platonic representations 的关键在于正视图,而非单纯扩大规模,并将音频、视频和动作列为未来可探索的模态。论文认为,next-token prediction 是获得 platonic representations 的低效路径。出处:§7 · p. 15

A 证明

附录中的证明按正文各小节的顺序排列,每个正文小节对应一个证明小节。

A 证明

  • 附录按与正文 Section 2 相同的顺序给出证明,每个正文小节对应一个附录小节。命题 3 和定理 4 在正文中以非正式形式陈述,其正式表述则置于证明之前。出处:A Proofs · p. 20
  • 命题 3 和定理 4 在证明之前给出正式表述,尽管正文中对它们的陈述并不正式。出处:A Proofs · p. 20
  • 附录按对应的正文小节组织证明内容。出处:A Proofs · p. 20

A.1 符号与目标函数

本节根据正样本对分布定义 Markov 算子,并在世界状态上表述 JEPA 目标函数;同时指出符合该目标形式的目标函数。

A.1 符号与目标函数

  • 正样本对分布定义了一个 Markov 算子,其特征函数给出命题 1 所用的谱嵌入。该算子在 L2(p) 上自伴,其特征函数在该空间中正交归一。出处:§A.1 · p. 20
  • 在世界状态上,目标函数是对正样本对的期望,由一项损失和一项依赖嵌入分布的项组成。出处:§A.1 · p. 20
  • 谱对比学习和白化 MSE 符合该目标形式;在白化硬约束极限下,VICReg 和 Barlow Twins 也符合。LeJEPA 的 SIGReg 项对其投影方向的期望具有旋转不变性。出处:§A.1 · p. 20

A.2 Platonic 表征定理(Section 2.1)

通过与单射渲染函数复合,证明将各模态专属编码器化为定义在共享世界上的函数;随后利用极小解的谱刻画,证明它们在旋转意义下达成一致。

A.2 Platonic 表征定理(Section 2.1)

  • 单射渲染函数使与渲染函数的复合构成模态编码器与世界状态函数之间的双射,并保持目标函数不变。这种坐标变换使证明能够通过共享的世界状态目标函数比较独立训练的不同模态。出处:§A.2 · p. 20
  • 渲染引理的等价性依赖于单射性,因为单射性保证了模态编码器与世界状态函数之间存在逆映射。出处:§A.2 · p. 20
  • 如果共享的世界状态目标函数的极小解位于同一个旋转轨道上,那么每个模态的最优编码器与其渲染函数复合后,也属于该轨道。因此,任意两个模态在世界状态上的表征都相同,至多相差各自对应的正交旋转。出处:§A.2 · p. 20
  • 在白化约束和谱间隙条件下,极小化嵌入张成对应于最大的 k 个非恒定特征值的特征函数空间。Ky Fan 最大值原理给出使目标最大化的子空间;该子空间的任意两个标准正交基相差一个正交矩阵。出处:§A.2 · p. 20

A.3 正样本不同时(Section 2.2)

当正样本对的核不同时,JEPA 表征之间的失配仅能限制在一个由核差异决定的界内。若共享同一个世界嵌入,则当配对观测的嵌入矩阵满秩时,可以精确确定旋转。

A.3 正样本不同时(Section 2.2)

  • 表征失配的上界由第二个核的谱间隙,以及两个核在状态子空间上的差异共同决定。证明在移除共同的常数特征向量后,对前 k 个特征子空间应用 Davis–Kahan 定理的一个变体。出处:§A.3 · pp. 20–21
  • 由配对嵌入构成的秩为 k 的矩阵可以唯一确定表征之间的旋转。对于 Y = QX,目标函数 ∥Y − RX∥² 在 R = Q 时取得最小值;若 X 的秩为 k,则不存在其他 R 能精确拟合。出处:§A.3 · p. 21

A.4 好视图与坏视图 JEPA(Section 2.3)

好视图 JEPA 学习世界状态的表征,同时忽略独立的干扰变化;坏视图正样本则可能将部分维度用于表征干扰。更一般地,表征对齐取决于视图诱导的世界核,以及视图保留或混合干扰的程度。

A.4 好视图与坏视图 JEPA(Section 2.3)

  • 对于两个独立受扰的观测,对齐误差下界为 2k(1 − min_m ρ(f_m));要完整保留世界信息,编码器必须是状态的函数。证明将跨视图协方差与给定状态时的条件协方差联系起来。出处:§A.4 · p. 21
  • 好视图正样本使 JEPA 表征仅依赖世界状态,因此具有相同世界核的模态可在旋转变换下达成一致。这一结论在所述谱分离条件下成立。出处:§A.4 · p. 21
  • 坏视图正样本保留共享干扰;当其最大特征值超过 α_k 时,至少有一个 top-k 方向会捕获干扰,且对齐误差至少为 2r。该表征有 r 个零协方差特征值,且 ρ(f) = 1 − r/k。出处:§A.4 · p. 21
  • 一般的视图与数据定理通过干扰保留和状态—干扰混合来度量不匹配,并要求正的谱分离 δ_m。该定理适用于好视图、不变扰动及其混合;合并同一状态观测的限制可降低干扰项和混合项,而合并不同状态的偏差或软性作用的偏差则不在模型范围内。出处:§A.4 · p. 22
  • 当两个模态共享同一个诱导世界核时,它们的表征不匹配程度上界为核不匹配程度与近似误差 τ_1 和 τ_2 之和。该定理适用于任何状态边缘分布相同的耦合下的成对观测。出处:§A.4 · pp. 22–23

A.5 下一词元预测是一种坏视图 JEPA(Section 2.4)

下一词元预测的 softmax 目标包含一个起到防坍塌正则化作用的对数配分项。其预测取决于上下文表征和词表矩阵,并且对表征坐标的可逆变换保持不变。

A.6 下一词元预测是一种坏视图 JEPA

  • softmax 对数配分项 A(h) = log ∑v e^⟨h,wv⟩ 涉及整个输出矩阵,但不涉及目标词元 y。对数配分项与最大 logit 之间有界;温度缩放后,两者差距至多为 t log |V|。出处:§A.5 · p. 23
  • 对于全支持条件分布,只要上下文维度足以表示其模常数的对数概率,softmax 预测等于该分布时,期望下一词元损失便达到最小。所需维度至少为条件对数概率矩阵模常数后的秩。出处:§A.5 · p. 23
  • 对上下文向量施加任意可逆变换,同时对输出向量施加其逆转置变换,logit 保持不变。这是因子分解的一种 GL(k) 不变性。出处:§A.5 · p. 23

A.6 数值检验

有限世界上的数值检验支持论文中的谱解、对齐界,以及好视图与坏视图的预测。在所报告的随机世界检验中,有信息量的界明显宽于观测到的误差。

A.6 数值检验

  • 在随机有限世界中,数值检验验证了谱解、好视图模态之间的旋转一致性,以及坏视图所预测的干扰损失。检验还涵盖了核失配界,以及从一般配对嵌入中恢复旋转。出处:§A.6 · p. 23
  • 在每个状态有一到四个观测的随机世界中,对于混合好视图正样本、自配对和随机配对的正样本,界均成立。检验涵盖了文中给出的两种界;报告指出,这些界仅在部分情形下有信息量。出处:§A.6 · p. 23
  • 对于定理 4 的界,误差至多为 (i) 中界的 32% 和 (ii) 中界的 10%;误差与界之比的中位数分别为 11% 和 0.8%。所报告的情形分别为 (i) 的 2k–2,848 和 (ii) 的 307。出处:§A.6 · p. 23

B 实验细节

实验采用统一的图文 JEPA 方案,在 Flickr30k 上开展,并补充视频和大规模网页文本实验。评估遵循 WIT-1024 对齐协议,包含检索和视频测试。

图像编码器

  • 图像视图包括两个全局 224² 裁剪和六个局部 96² 裁剪,并进行随机翻转和光度增强。增强方式包括颜色抖动、灰度化、高斯模糊和太阳化。出处:B Experimental details · p. 23

文本编码器

  • 文本 JEPA 视图在全局层面保留占 caption 50–100% 的连续片段,在局部层面保留 15–50% 的连续片段,并对保留 token 的 15% 进行掩码。next-token 模型采用因果注意力,并对最终隐藏状态取均值池化;在 Flickr 上,使用 DINOv2 ViT-B 时,均值池化的 R@1 为 .119,高于末 token 池化的 .061。出处:B Experimental details · p. 23

优化

  • Flickr 实验使用 AdamW,学习率为 5 · 10−4,训练 200 个 epoch,batch 为 256,采用 bf16、余弦衰减和三个随机种子。除非另有说明,较长或规模较大的文本实验通常使用 10−4 的学习率、1.0 的梯度裁剪,并采用一个随机种子。出处:B Experimental details · p. 23

MSR-VTT

  • 视频实验使用 7,010 个 MSR-VTT 训练片段和 1,000 个测试片段,每个片段均匀采样八帧。良好图像视图从不同帧中裁剪,较差视图则在每个片段、每个 epoch 中只从一帧裁剪;评估使用中间帧和 JSFUSION 测试 caption。出处:B Experimental details · p. 24

评估

  • WIT-1024 对齐使用已发布代码提取的特征、裁剪、L2 归一化、互为 10-NN 的近邻,以及跨层配对的最高分。该协议使用每对中的第一条 caption,以及逐层提取的视觉 CLS 特征和语言掩码加权均值特征。出处:B Experimental details · p. 24

C 其他结果

补充结果考察了好视图训练、其正视图和文本数据如何影响纯文本及无配对设置下的对齐,包括缩放律表现及其在超长训练中的局限。结果还评估了跨数据集、视觉编码器系列和指标的对齐,并检验训练视图、数据规模及已识别的网页图像重叠的影响。

下一词预测过拟合与配方稳健性

  • 下一词预测验证损失在第 29 个 epoch 左右降至 3.04,至第 189 个 epoch 升至 4.49;好视图训练有时会突然崩溃,但梯度裁剪可避免默认配方下的大多数崩溃。采用早停的下一词预测与 DINOv2 的 R@1 为 .134,而好视图 JEPA 为 .246;不进行梯度裁剪时,36 次默认视图运行中有 3 次崩溃。出处:C Additional results · pp. 24, 26, 27, Table 8 · p. 27

真实编码器上的干扰因素

  • 定理 3 的下界适用于每个文本编码器,其场景解释比例对九个编码器的排序与对齐度排序几乎完全一致(Spearman .98)。在 Flickr captions 上,排序仅有一对相邻项不同。出处:C Additional results · p. 25

哪些文本带来提升

  • 在 WIT 上,alt-text 及其释义构成的好视图得分为 .060,高于 alt-text 坏视图的 .055;采用相同坏视图的 LLaVA 重述得分为 .092,高于 alt-text 的 .056。在 Flickr caption retrieval 上,LLaVA 重述在两个规模下的 R@1 分别为 .348 和 .386;结果表明,文本选择和视图构造都能带来提升。出处:C Additional results · pp. 24–25, Table 7 · p. 25

缩放律详解

  • 拟合得到的缩放律可预测 85 次未见运行,RMSE 为 .0093,与不同随机种子重跑之间 .0096 的差异相当;但它高估了 320M 个样本下的长时间好视图训练表现。在 320M 个样本下,好视图运行的 R@1 为 .418,低于 q = 1 时预测的 .455;q = .1 时为 .348,低于预测的 .389;坏视图为 .338,预测值为 .337。出处:C Additional results · p. 26

少量配对与零配对

  • 随着加入更强的冻结编码器、预训练语言模型和共识解码,captioner 的 COCO CIDEr 从 .668 提升至 .838。仅旋转变换是在图像-caption 配对数据上拟合的;解码器不接触图像。出处:Table 10 · p. 29

完全无配对时的对齐详解

  • 不使用配对数据时,109M 好视图 JEPA 的 Flickr R@1 达到 .164 ± .104,而所有非好视图 JEPA 编码器的得分均不超过 .003。使用 10 个已知配对时,同一方法的 R@1 达到 .32;相比之下,基于这 10 对的 Procrustes 约为 .01,CLIP 文本编码器为 .067。出处:C Additional results · p. 30

纯文本质量

  • 基于 50M 张图像训练的好视图 JEPA 在 STS-B 上得分为 .632,高于 BERT-base(.551)和 Qwen2.5-0.5B(.352),但低于 all-mpnet-base-v2(.834)。在 caption-to-caption 检索上,好视图 JEPA 超过 TF-IDF,而坏视图 JEPA 则低于它。出处:Table 5 · p. 24, C Additional results · p. 31

扩展至 940M 张图像的文本

  • 在使用 940M 张图像的文本训练的四个好视图随机种子运行中,WIT 在 DINOv2 ViT-B 上得分为 .168,高于所有语言模型;CLIP ViT-B、-L 和 -H 的得分分别为 .198、.202 和 .212,与表现最好的语言模型相当。这些运行同时改变了独有文本数、样本数和批次大小,因此无法区分各自的影响;WIT 对 SIGReg 权重较为敏感。出处:C Additional results · p. 32

重叠检查

  • 移除 43 条匹配的 WIT captions 后,九个受检文本模型的得分变化均不超过 .002;移除 50 张匹配的 COCO 测试照片后,受检得分的变化至多为 .001。1,024 条 WIT captions 中至少有 43 条、5,000 张 COCO 测试照片中至少有 50 张出现在 940M 张网页图像中;后一项重叠包含其网页文本,而非 COCO captions。出处:C Additional results · p. 32

随训练文本扩展

  • WIT 对齐度在使用 200M 张与 940M 张图像的文本训练之间大幅跃升,并在 850M 个样本时再次上升;Flickr 检索的提升则较缓慢。这些趋势针对规模最大的好视图 JEPAs 的检查点报告。出处:Table 14 · p. 33

WIT,PRH 方案

  • 在 Wikipedia captions 上,使用 Flickr 训练的文本编码器得分为 .029–.037;采用相同配方、使用 2.16M 张 Recap-DataComp 图像的文本训练时,得分达到 .099–.114,与 Qwen2.5-0.5B 相当。基于 145k 条 captions 的 Flickr 训练无法迁移到所有目标函数和 DINOv2 规模;使用 2.16M 张图像训练时,最后一层表现最佳。出处:C Additional results · p. 33
  • 在 WIT-1024 上,109M 好视图 JEPA 在所有用于评测的视觉编码器上,得分均超过每个受测语言模型。比较采用 Huh et al. 的 PRH 方案;该 109M 模型的三随机种子均值超过所有语言模型结果,而移除 43 条重叠 captions 后,受检模型的变化至多为 .002。出处:C Additional results · p. 32, Table 15 · p. 33

另一种对齐指标

  • 使用 DINOv2 ViT-B 时,109M 好视图 JEPA 的线性 CKA 得分为 .507,高于 all-mpnet-base-v2 的 .390;两种对齐指标对 16 个文本模型的排序一致(Spearman .88)。在 50M 张图像的文本上,好视图 JEPA 也领先于坏视图和下一词预测 JEPA(分别为 .385、.192 和 .261);在 2.16M 张图像上,得分分别为 .301、.185 和 .225。出处:C Additional results · p. 33

其他视觉系列

  • 对于六种视觉编码器中的每一种,好视图文本 JEPA 的表现都优于使用相同文本训练的下一词预测和坏视图 JEPA;109M 模型也超过所有受测语言模型。这些编码器涵盖像素重建、潜在预测、裁剪和图文对比;作者不根据 MAE 与 I-JEPA 对齐度相近得出有关视觉目标的结论。出处:C Additional results · p. 34, Table 18 · p. 35

另一项基准测试

  • 在 5,000 对 COCO 测试配对上,109M 好视图 JEPA 在 DINOv2 的两种规模和两项指标下均领先所有文本编码器。它也领先于使用相同文本训练的下一词预测和坏视图 JEPA;移除 50 张重叠照片后,所有受检文本编码器的变化至多为 .001。出处:C Additional results · p. 34, Table 17 · p. 35
Loading 2610.39302v1…