LeVJEPA

LeVJEPA produces clip embeddings and spatial patch tokens from video.

Task: embeddings
Dimensioni: l at 224 px
Installa: pip install libreyolo
Livello di supporto: Solo inferenza, dalla v1.6.0. Solo predizione, validazione ed esportazione. Le funzionalità di addestramento non si applicano.
Origine: LeVJEPA di MLO Lab, MIT code; CC-BY-NC-4.0 weights. Articolo, sorgente
Licenze: Codice MIT, pesi MIT code; CC-BY-NC-4.0 weights. Uso commerciale

Install

bash

pip install "libreyolo"

Predict

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreLeVJEPAl-embed.pt", device="cpu")result = model(SAMPLE_IMAGE)print(result.embeddings)print(model.embed_tokens(SAMPLE_IMAGE).shape)

The encoder uses 16 frames at 224 pixels. Finite videos use a centered window sampled at approximately 7.5 FPS. embed_tokens() exposes patch tokens. Training is not supported. The TorchScript graph requires direct clip input with batch 1. Pretrained weights are CC-BY-NC-4.0.

Export

Task	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Embeddings	Embeddings to ONNX: supportato	Embeddings to TorchScript: supportato	Embeddings to ExecuTorch: supportato	Embeddings to TensorRT: supportato	Embeddings to OpenVINO: supportato	Embeddings to Paddle: non supportato	Embeddings to MNN: non supportato	Embeddings to RKNN: non supportato	Embeddings to ncnn: non supportato	Embeddings to TFLite: non supportato	Embeddings to CoreML: non supportato	Embeddings to Core AI: non supportato

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreLeVJEPAl-embed.pt", device="cpu")model.export(format="onnx")

Export setup lists format dependencies and loading exported artifacts.

Checkpoints

File	Licenza dei pesi
Embeddings
LibreLeVJEPAl-embed.pt	cc-by-nc-4.0

Oggi tutti i file elencati sopra sono presenti nell<link>organizzazione LibreYOLO</link> e vengono scaricati al primo utilizzo.

Licensing

Controlla la licenza nel repository Hugging Face degli specifici pesi che scarichi. Ogni checkpoint nell<link>organizzazione LibreYOLO</link> ne include una e non è sempre la stessa per tutta la famiglia. Quel repository è la fonte autorevole; il riepilogo seguente descrive le condizioni applicabili al momento dellultima verifica di questa pagina.

Questa è una descrizione delle licenze coinvolte, non una consulenza legale. Se la risposta è importante a fini commerciali, leggi personalmente le licenze e chiedi una consulenza indipendente.

Lavoro originale: LeVJEPA, MLO Lab
Licenza upstream: MIT code; CC-BY-NC-4.0 weights
Sorgente upstream: github.com/MLO-lab/LeVJEPA
Codice LibreYOLO: MIT
Pesi: MIT code; CC-BY-NC-4.0 weights, ripubblicati su huggingface.co/LibreYOLO
Interpretazione: The repository declares an explicit CC-BY-NC-4.0 exception for pretrained weights. Commercial use of those weights is excluded.

Citation

@misc{kuhn2026levjepaefficientscalable,
      title={LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics}, 
      author={Lukas Kuhn and Lucas Maes and Giuseppe Serra and Quentin Le Lidec and Yann LeCun and Randall Balestriero and Florian Buettner},
      year={2026},
      eprint={2608.27395},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2608.27395}, 
}

Copiato dal blocco di citazione degli autori disponibile su raw.githubusercontent.com/MLO-lab/LeVJEPA/main/README.md.