Mail:team@tryaivo.cn

首页 > 新闻动态 > 行业新闻

英伟达VFlash并行解码,机器人动作提速12倍

行业新闻 0

发生了什么

英伟达于 11 月 6 日前后发布通用解码框架 VFlash,面向机器人与自动驾驶的快速视觉规划。其核心变化是停止逐 Token 生成坐标,改用"闪速原语解码"(Flash Primitive Decoding):把轨迹、包围框等完整几何对象作为一个解码块,由轻量化草稿模型一次性并行预测,再交给冻结的视觉语言模型(VLM)提取特征,供下游动作模型使用。

关键细节

技术上解决了三个对齐问题:边界对齐避免几何信息被 Token 窗口切割;位置对齐用专用 Token 与定宽字段固定坐标与航点位置,消除位置偏移;几何结构学习依靠 5 层非因果 Transformer 草稿模型,在目标 VLM 完全冻结的前提下训练,文本子任务沿用投机解码校验。实测在 H100、batch size=1 条件下,三维点运动预测单次生成速度最高提升 25 倍,机器人动作解码最高提速 12 倍,整体机器人端到端推理最高加速 5.1 倍,3D 轨迹误差最多降低 61%。轨迹预测方面,相对自回归解码,VFlash 在 ShareRobot-Bench、VABench-V 的全部 6 项轨迹误差指标上均有改善,平均三维位移误差下降 42.6%;稠密三维运动预测在 DAVIS 数据集上位移误差降低 27%;物体定位场景下 COCO、Dense200 的边界框生成速度达到基线的 2.6 至 2.8 倍,精度基本持平。在 MolmoSpaces 四组任务中,以 VFlash 视觉规划为条件的世界动作模型平均成功率 70.2%,基线为 62.6%。英伟达研究员 Jim Fan 称"System 1 视觉模型"时代到来,下一场推理革命以反射速度做物理推理。

对全球格局意味着什么

机器人落地的瓶颈不在模型能不能想,而在想得多快。VFlash 把几何输出从逐点生成改为整体预测,等于给具身智能换了一条推理通路,且不要求改动 VLM 主干,工程可迁移性强。对国内机器人厂商,这类"免重训、增益在解码层"的方案性价比最高,值得优先在抓取与导航管线做 A/B 验证。

硬字段

· 发布机构:NVIDIA(英伟达)

· 发布时间:2026 年 11 月上旬(中文媒体 11 月 6 日报道)

· 版本/产品:VFlash 通用解码框架(Flash Primitive Decoding)

· 性能:动作解码最高 12 倍、端到端机器人推理最高 5.1 倍、3D 点运动预测最高 25 倍、3D 轨迹误差最多 -61%

· 成功率:MolmoSpaces 平均 70.2%(基线 62.6%)

· 硬件条件:H100、batch size=1

· 数据来源:英伟达技术发布与中文媒体转述(厂商公开口径,未经第三方独立复现)