VFlash: 通过Flash原语解码实现快速准确的视觉规划

研究人员提出VFlash方法，通过联合解码视觉原语而非逐个生成token，实现快速准确的视觉规划。该方法在2D和3D机器人轨迹任务中减少了预测误差，3D点运动预测提速约25倍，基于VFlash规划的世界行动模型在四个MolmoSpaces任务套件中平均成功率达到70.2%，比基线提高7.6个百分点。