Meta团队提出EV-JEPA弹性跨设备推理模型

Anxhelo Diko 等（署名含 Meta 研究人员）在 arXiv 论文（arXiv:2610.14324）中提出 EV-JEPA，使 V-JEPA 模型只需训练一次，即可在边缘设备与云端之间调整网络宽度并跨设备切分执行。 其 Transition-Aware Triplet Training（T3）方法同时训练窄、宽及窄宽混合路径。论文摘要称，在多项基准上 EV-JEPA 与独立训练基线的准确率差距不超过 1 个百分点，较既有弹性训练方法最高提升 11 个百分点；窄到宽的跨设备混合执行可恢复到最高容量独立模型的 1.1 个百分点以内，并支持 many-to-one、any-to-any 及可变切分配置。以上数字来自论文摘要，未见独立复现。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。