Инференс для джепы. Parallel Stochastic Gradient-Based Planning for World Models __Michael Psenka, Michael Rabbat, Aditi Krishnapriyan, Yann LeCun, Amir Bar__ Статья: https://arxiv.org/abs/2602.00475 Код: https://michaelpsenka.io/grasp Ревью: https://arxiviq.substack.com/p/parallel-stochastic-gradient-based # TL;DR ЧТО сделали: Авторы представили GRASP (Gradient RelAxed Stochastic Planner) — параллельный алгоритм планирования, созданный специально для выученных моделей мира. Вместо последовательной генерации траекторий (известной как shooting), GRASP рассматривает будущие состояния как независимые оптимизируемые переменные («lifted» states) и обновляет их параллельно через градиентный спуск. Ключевые фишки: динамика Ланжевена для эксплорейшна и специальная схема stop-gradient для борьбы с нестабильной геометрией латентных пространств. ПОЧЕМУ это важно: Эта работа выглядит как тот самый недостающий компонент «рассуждений» (reasoning engine) для архитектуры JEPA (Joint Embedding Predictive Architecture) от Яна ЛеКуна. Пока индустрия училась *тренировать* модели мира (V-JEPA, I-JEPA), эффективное *планирование* внутри этих неевклидовых пространств оставалось хрупким из-за взрывающихся градиентов. GRASP решает проблему, развязывая временные зависимости, и предлагает надёжный способ управления на длинных горизонтах, что критически важно для роадмапа «Autonomous Machine Intelligence». Подробнее: https://t.me/gonzo_ML_podcasts/2396