> ## Content Index
> Fetch the complete content index at: https://binnn.top/llms.txt
> Use this file to discover other available public pages before exploring further.

# VFlash：按完整空间图元并行生成视觉计划
- URL: https://binnn.top/vflash-visual-primitive-decoding/
- Published: 2026-11-06T14:07:47.000Z
- Updated: 2026-11-06T19:50:20.000Z
- Description: VFlash 利用边界框、轨迹等输出的已知结构，一次预测整组坐标。它用标注数据训练草稿模型，并将空间输出的接收条件与文本验证分开处理。
- Author: Sunbin 编辑部
- Tags: AI 最新论文进展, 视觉与多模态, #sunbin-auto, #sunbin-newsroom

论文阅读笔记 · arxiv.org · 原文日期 2026-11-05

## 让预测块覆盖完整图元

视觉计划可以用点、边界框和轨迹表达空间目标。VFlash 的做法是先确定图元类型、坐标维度和长度，再让轻量草稿模型一次前向计算预测整个图元。可变长度预测由工具调用声明长度，固定大小的边界框则由类型确定布局；同一条轨迹的二维与三维坐标也能联合预测。

## 草稿模型学习标注坐标

训练先让自回归视觉语言模型适应空间输出格式，再冻结它，以其特征训练浅层、非因果草稿模型。草稿模型的标签来自标注坐标或转换后的网格，而非目标模型续写的词元。这个设计把训练目标放在空间预测上，因此接收视觉输出时不再要求逐词元复现目标模型。

## 边界框增加置信度回退

框生成有两种接收方式：直接模式接受所有符合结构的框；回退模式另加空间置信度检查。后者检查各坐标候选的概率与分散程度，触发条件后用受约束的目标模型自回归重生成。因此，结构合规只是接收条件的一部分，不能单凭格式合法判断框的位置准确。

## 三维轨迹评估侧重路径几何

理解三维轨迹实验时，需要保留参考数据的含义：每个夹爪的路径按三维弧长均匀重采样为十个点，名义窗口为五秒，也可能在动作或回合边界提前结束。作者明确说明，这些点描述路径几何，并非固定时间间隔的控制采样，因此不能将路径预测结果直接解读为定时控制能力。

原始标题：VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding  
[来源：arxiv.org](https://arxiv.org/abs/2611.08449?ref=binnn.top)