**DRIFT：用于视觉语言模型连续输出解码的残差流适配器**

_DRIFT: A Residual Flow Adapter for Decoding Continuous Outputs in Vision-Language Models_

> 许多视觉语言模型依赖离散 token 输出，难以处理需要精确连续值的任务，如事件时间定位或机器人控制。DRIFT 框架结合基础预测器给出粗估计，再利用流匹配生成细化模块迭代改进，将生成问题转化为局部残差分布建模，简化优化。在视觉定位和机器人规划等任务上，DRIFT 性能优于回归和生成式基线。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-11 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.05758)