Le fait
Le 7 octobre 2026, des chercheurs de FAIR, le laboratoire de recherche de Meta, avec Mila et Polytechnique Montréal, mettent en ligne sur arXiv RoboJEPA. C’est un modèle du monde : au lieu de produire directement des actions, il prédit comment une scène va évoluer sous l’effet des actions du robot, ce qui permet de planifier en imaginant plusieurs scénarios. Il s’appuie sur l’architecture JEPA défendue par Yann LeCun et travaille dans l’espace de représentation de l’encodeur vidéo V-JEPA 2.1, gardé figé.
Des données de 12 robots
Le modèle est entraîné sur 23 jeux de données publics de manipulation couvrant 12 plateformes (bras simples ou doubles, humanoïdes), en réel et en simulation : environ 2,87 millions d’épisodes, 15 022 heures de vidéo dont 6 692 heures synchronisées avec des actions. Les auteurs ont fait varier la taille du modèle de 22 millions à 8 milliards de paramètres, la plus grande version étant selon eux le plus grand prédicteur JEPA entraîné à ce jour.
Une montée en échelle prévisible
Résultat central : l’erreur de prédiction suit une loi de puissance de second ordre en fonction du calcul d’entraînement. Ajustée sur les modèles de 22 millions à 2 milliards de paramètres, elle prédit correctement les performances des versions 4 et 8 milliards. Les capacités apparaissent dans un ordre précis : contrôle de la pince, puis tenue d’un objet, puis contournement d’obstacles, et enfin interaction avec les objets de la scène, qui n’émerge qu’au-delà d’environ 10^22 opérations d’entraînement.
Sur un vrai bras Franka, guidé par une simple image de l’état final souhaité, RoboJEPA-8B réussit 67 % des saisies, 50 % des levers d’objet et 27 % des prises-déposes. Le modèle π0.5, guidé par du texte, atteint 53 % en prise-dépose mais 0 % en lever d’objet ; les auteurs précisent que ces modèles servent de repères, pas de comparaison directe. La planification prend encore plusieurs secondes, même répartie sur plusieurs GPU.
Lecture Neurone21
Les lois d’échelle ont transformé les LLM en investissement prévisible : on sait combien de calcul acheter pour quel gain. RoboJEPA apporte ce début de visibilité à la robotique, avec un code et des poids publiés. Les auteurs reconnaissent toutefois être proches de la saturation des données : la suite dépendra moins de la taille des modèles que de la collecte de démonstrations réelles, qui reste le vrai goulet d’étranglement du secteur.