VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding
Pubblicata su AIChronos il · fonte del · Yu-Cheng Chou, Shihao Wang, Jin Huang, Chi-Pin Huang, Chiao-An Yang, Xianzhe Fan
VFlash è un metodo che accelera e migliora la precisione nella pianificazione visiva per task di AI fisica come robotica e guida autonoma. A differenza dei modelli autoregressivi tradizionali che generano coordinate token-by-token, VFlash utilizza il Flash Primitive Decoding per prevedere le coordinate di primitives visive (punti, bounding box, traiettorie) in modo congiunto tramite un drafter leggero. Questo approccio sfrutta la struttura nota delle primitive e adatta l'output al tipo geometrico, alla dimensionalità e alla lunghezza della primitiva senza richiedere il matching esatto con una sequenza target token. I risultati mostrano una riduzione consistente degli errori di previsione rispetto all'autoregressione standard.
- Sostituisce la generazione autoregressiva lenta con un drafter che genera intere primitive visive in un singolo passaggio forward pass.
- Supporta primitives compatte come bounding box e traiettorie lunghe di lunghezza variabile adattando il layout alla primitiva specifica.
- Permette l'addestramento su primitives annotate accettando previsioni strutturalmente valide senza richiedere accordo token-by-token con i target originali.
- Raggiunge circa 25x più velocità nella generazione per la previsione del moto dei punti in 3D rispetto alle misurazioni preliminari single-rollout.
- Un modello world action condizionato sui piani VFlash ottiene un successo medio del 70.2% su quattro suite di task MolmoSpaces, contro il 62.6% della baseline.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti locali, VFlash offre una via per ridurre drasticamente i costi computazionali nella generazione di piani visivi complessi senza sacrificare l'accuratezza spaziale.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.