**VFlash：通过 Flash 原语解码实现快速精准的视觉规划**

_VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding_

> 针对物理 AI 任务中自回归视觉语言模型生成效率低下的问题，VFlash 提出了一种基于 Flash 原语解码的新方法。该方法利用视觉原语的已知结构，通过轻量级 drafter 一次性生成整个原语坐标，支持从紧凑边界框到长轨迹的灵活预测。VFlash 无需与自回归模型完全匹配 token 序列即可保证空间准确性，在 2D 和 3D 机器人轨迹任务中显著降低了预测误差，并将 3D 点运动预测速度提升了约 25 倍，在 MolmoSpaces 任务中的成功率达到 70.2%。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-06 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.08449)