К содержимому
Другое

Func-JEPA

векторные представления для символьной математики

2 мин чтенияобновлено

Func-JEPA от исследователя Alejandro Moreno Arcas — это набор моделей на основе архитектуры JEPA (Joint-Embedding Predictive Architecture — предсказательная архитектура в пространстве эмбеддингов), которая переводит математические функции одной переменной в векторы размерности 256. В этом скрытом пространстве норма вектора совпадает с нормой функции в пространстве Соболева H¹, а математические операции вроде дифференцирования и интегрирования выполняются напрямую над векторами без символьных парсеров. Помимо основного энкодера, в релиз входят компактные модули для декодирования векторов обратно в формулы, композиции функций и восстановления формулы по точкам (символьной регрессии). Инструмент пригодится исследователям в области AI for Math, нейросимвольных вычислений и символьной регрессии.

Ключевые особенности

  • Геометрия пространства Соболева: скалярные произведения и косинусы между векторами коррелируют с их реальными математическими аналогами в H¹ на уровне 0.998 и 0.993.
  • Операции в латентном пространстве: отдельные модули позволяют брать производную (35.1M), находить первообразную (7.6M) и применять композиции функций вроде sin, cos, log или sqrt (52.9M).
  • Символьная регрессия по 64 точкам: модуль value_encoder (7.4M) восстанавливает латентное представление функции по выборке значений, даже при наличии шума.
  • Два рабочих интервала: в репозитории доступны энкодеры, обученные на отрезках [-π, π] и [0, 5], а также версии под бенчмарк дифференциальных уравнений Lample–Charton.

Что можно сделать

  • Восстанавливать формулы по числовым данным: подать 64 замера сигнала или функции и получить её аналитическую запись в виде формулы.
  • Выполнять дифференцирование и интегрирование в эмбеддингах: использовать латентные операторы для поиска производных и первообразных с последующей проверкой кандидатов через SymPy.
  • Исследовать нейросимвольные методы: применять предобученный энкодер как основу для задач символьной математики и решения ODE (обыкновенных дифференциальных уравнений).

Пример

import numpy as np
from fjepa import FuncJEPA

m = FuncJEPA.from_pretrained("amorarc/func-jepa")
z = m.encode("4*sin(7*x) - 3*cos(7*x)")
m.norm(z)                          # 12.87, H1-норма на [-pi, pi]
m.decode(m.derivative(z))[0]       # 21*sin(7*x) + 28*cos(7*x)
m.regress(32 * np.cos(6 * m.nodes) + 8)  # 32*cos(6*x) + 8
ПодробнееБенчмарки: точность символьного интегрирования на тестовом наборе статьи — 91.7% (с верификацией в SymPy); точная символьная регрессия по 64 точкам — 76% без шума и 62% при шуме 1%; поиск производной среди 3 956 кандидатов — 82.0%.
Обучение: 2.0 млн синтетических функций из 17 семейств (сгенерированы в SymPy), 40k шагов на одной GPU с 8 ГБ VRAM за 6.6 часа.
Ограничения: поддерживает только функции одной переменной (словарь из 37 токенов, длина до 126 токенов); медианная относительная ошибка производной составляет 7%, поэтому предсказанные формулы требуют доподгонки констант; на сторонних наборах ODE Lample–Charton точность падает до 16–25%.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # amorarc/func-jepa
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download amorarc/func-jepa --local-dir ~/models/func-jepa
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к func-jepa
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии func-jepa — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

amorarc/func-jepa
Автор
amorarc
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии