VFlash：通过 Flash 原语解码实现快速、精准的视觉规划
VFlash通过联合预测视觉原语的坐标，而非逐个生成，来加快机器人等任务中的视觉规划。轻量级草拟器可在一次前向计算中生成点、边界框或轨迹。在评估的二维和三维机器人轨迹任务中，该方法相较于自回归解码降低了预测误差。三维运动预测的初步测量显示，生成速度约提升25倍。以VFlash规划为条件的世界动作模型，在四组MolmoSpaces任务套件中的平均成功率达到70.2%，高于基线的62.6%。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。