VLA-JEPA 是一个 Vision-Language-Action 策略模型，结合了 Qwen3-VL 语言骨干、自监督视频世界模型 V-JEPA2，以及 flow-matching DiT 动作头。该策略使用 LeRobot 训练并推送到 Hub，面向通过 LeRobot 工作流运行和再训练的机器人控制场景。

模型输入包含两路视觉观测 observation.images.image、observation.images.image2，形状均为 (3, 224, 224)，以及 8 维 observation.state；输出为 7 维 action。运行时需要根据本机设置填写 --robot.port 和相机名称或索引，且相机名称需与训练时的观测键匹配。

使用 --strategy.type=base 时脚本不会记录 episode；不设置持续时间会使策略持续运行。该策略可按 LeRobot 指南安装、配置硬件、录制数据并训练，训练检查点写入 outputs/train/ /checkpoints/。许可证为 apache-2.0，当前未提供评估结果。