VL-JEPA 是 Meta AI 開發的一種新型視覺與語言模型，重點不在「一直說話」，而在「真正看懂發生了什麼」。它不是一個字一個字地預測文字，而是先在內部直接理解影像與情境的意義，再決定是否需要用語言表達，因此運算更省、結構也更有效率。這種設計讓 AI 可以長時間安靜地觀察世界，只在重要事情出現時才回應，特別適合用在機器人、穿戴式裝置等…