VFlash 視覺規劃解讀：25 倍生成背後，整條路徑一起預測的代價（2026）

2026 年 11 月 5 日（UTC），Yu-Cheng Chou 等研究者在 arXiv 提交了〈VFlash〉。這篇 VFlash 視覺規劃論文問了一個很實際的問題：機器人要畫出下一段路徑，為什麼得像打字一樣，一個座標接一個座標等？作者提出 Flash Primitive Decoding，讓一個完整的空間物件一起生成。

先看作者改了什麼，再對照速度與成功率的分母，最後判斷哪些證據值得繼續追。最吸睛的約 25 倍，指的是初步的 3D 點運動預測生成測量；若把它讀成機器人完成工作快 25 倍，就跳過了整篇研究最重要的邊界。

VFlash 視覺規劃：把一條路徑當成一件事

想像你要請人畫一條繞過紙盒的線。逐點口述時，要先說第一點，再說第二點；若先講清楚「這是一條有固定點數、每點含三軸座標的路徑」，畫圖的人便知道整張表有哪些格子。格子的位置已知，真正待推測的是各格的值。這個類比幫助理解並行預測，並不代表所有路徑都能安全執行。

論文把點、框、軌跡等稱為 visual primitives（視覺基本單元）。依方法章，工具呼叫先宣告輸出長度，類型決定座標排列；輕量 drafter 讀取凍結的視覺語言模型脈絡，一次預測一個完整單元。後續目標模型仍會處理已接受的輸出，更新快取與提供動作模型需要的特徵。

spatial accuracy need not require reproducing an autoregressive model’s exact token sequence.

中文：空間預測要準確，不一定要逐字重現自回歸模型的 Token 序列。

VFlash，摘要

這句話是整篇的轉折。一般文字加速常把「和大模型相符」當作驗收目標；畫出有用的路徑，則還有「離正確位置多遠」這個不同目標。小模型若被訓練去預測標註幾何，也可能在這個特定目標上超越它所依附的自回歸模型。這仍是作者在所測任務中的觀察，不能推成小模型普遍勝過大模型。

圖中值得看的不是綠色閃電，而是「什麼要一起算」：區塊邊界跟著完整物件走，區塊裡的每個位置也有固定角色。若把半條路徑留到下一段才補，便失去了一起預測的部分好處；若數字長短改變導致欄位位移，模型又得重新猜每個位置的意義。

先分清背景：預測運動、規劃動作、完成任務

Ai2 的 MolmoMotion 說明把運動預測描述為：給定觀察、物體上的 3D 查詢點與動作描述，推測接下來的點位移動。MolmoSpaces則提供具物理模擬的環境與操作評估。兩者回答不同問題：未來的點在哪裡，以及策略能否把任務做完。名稱相近，成績也不能互換。

文字的「猜對」還有另一層意思。2023 年的投機解碼原始研究以小模型提出候選、大模型並行驗證的方式加速，同時保留目標輸出分布。VFlash 對空間單元改以標註幾何訓練，推論時依結構規則接受，框選另加空間信心檢查；普通文字仍走需目標模型驗證的路徑。這是驗收目標的選擇，並非把驗證整體拿掉。

VFlash 視覺規劃的兩張成績單，別合成一個倍率

約 25 倍：量的是生成，還是整個工作？

作者在附錄 F.3交代：3D 點運動預測的初步比較使用單張 H100、batch size 1；三組單次 rollout 的生成加速約為 24.8、23.5、26.4 倍。它是作者報告的測量，本文未執行該模型或重現這組結果。

另一組機器人推論剖析更能說明分母的重要性。附錄 E 的模型階段計時列出 Thor 上 MolmoSpaces 的總和由 3,552.7 毫秒降到 703.3 毫秒，約 5.1 倍。它包含被量測的視覺、prefill、解碼與動作模型階段，仍排除了載入、暖機等項目。把 25 倍貼到這個流程上，會混用兩種工作與兩種量測。

用一個純假設算式就看得出來：假設某工作原本花 100 單位時間，其中 80 用在可加速部分、20 用在其他部分。即使那 80 加速 25 倍，總耗時仍是 80 ÷ 25 ＋ 20＝23.2，整體約快 4.3 倍。這是說明等待如何累加的算例，沒有拿來估計 VFlash 的實際部署效果。

62.6% 到 70.2%：多了 7.6 個百分點

在論文 Table 6、7 與附錄 D.1中，作者報告 MolmoSpaces 四組任務等權平均成功率由 62.6% 升到 70.2%，差為 7.6 個百分點。各配置採一組訓練 seed 與一組評估 seed；這個平均數不應被看成多次訓練後已確定的穩定增益。

更關鍵的是比較設計：原始 baseline 保留 WAM 的文字編碼器，VFlash 配置換成視覺語言模型的規劃特徵。相同 WAM 架構、相同訓練預算，能減少一些混淆；但不能把整段改善都歸給一個解碼開關。論文另列 AR 規劃 61.0%、影像脈絡 63.7% 等消融，才有線索判斷幾何規劃本身的貢獻。

the simulator pauses during inference.

中文：模擬器在推論期間會暫停。

VFlash，附錄 D.1

這個設定讓結果更容易解讀，也限制了外推。若真實環境中的物體一直移動，較快規劃可能減少資訊過時；模擬器停住時，這種時間壓力被隔離。因此成功率增加和推論變快是兩筆有關聯、但仍需分開證明的帳，不能相乘成「實體產線效率」。

三個值得保留的判讀，和一個反例

一、幾何相近，比 Token 相同更接近目的

兩組座標差一點點，可能落在同一個可抓取區；逐 Token 完全相同卻不是動作能完成的充分條件。當輸出本來就有清楚結構，直接替那個結構設計預測與驗收，是合理的工程方向。類似地，計算表要驗算總和，地圖要驗距離；不能因為都由模型輸出，就只用同一把文字尺。

二、格式合格，只回答了第一個問題

知道有十個點、每點有三個座標，可以檢查表格是否填齊；它無法單獨告訴你路徑會不會穿過障礙物，或馬達是否跟得上。可以把驗收想成三扇門：結構正確、幾何夠準、在當前環境下可執行。前一道門通過，下一道門仍要有自己的證據。想補上這種分層思路，可讀AI Evals 入門。

三、反例正好說明，快速接受不是到處都好用

論文的框選實驗就是反例。Table 3中，Dense200 的 mean F1 由 AR 的 60.10，降至直接接受版本的 39.09；加入信心判準、需要時退回 AR 的配置為 61.78。密集運動預測也有部分指標退步。作者的結果支持「依任務選接受規則」，並未支持所有空間輸出都同時更快、更準。

這類反例比一個最高倍率更有用：它告訴系統設計者，成本應花在哪裡。若錯框會讓下一步碰到錯物件，就值得付出重新生成的時間；若只是做粗略候選路徑，再交給另一層嚴格檢查，取捨可能不同。接受規則應跟錯誤後果一起設計。

四、平台最佳化有價值，但可攜性要另外量

官方專案把 TensorRT 與特定 NVIDIA 硬體上的推論最佳化列為重要部分。這是有用的系統成果，也說明為什麼不能拿一個倍率替不同設備背書。換硬體時，記憶體、模型階段比例與實作支援都可能改變；真正的問題是你的主要等待是否仍出現在同一段。Together Compiler 解讀可接著看軟體與工作形狀怎麼影響加速。

我同意的，是把完整幾何物件作為預測單位，並用下游用途決定何時接受。我仍存疑的，是目前作者測量能覆蓋多少連續動態環境，以及增益在不同訓練種子與硬體上有多穩定。這兩點仍要靠跨種子測試與持續運動下的閉迴路結果回答。

接下來要等什麼證據？

論文的未來方向之一，是在固定延遲預算內，從同一觀察產生互補的視覺單元。對讀者而言，最值得追蹤的結果可以寫得更具體：同一台設備、同一組任務、環境持續運動時，是否能更早產生可執行計畫，並提高完成比例？這是本文提出的驗收問題，不是作者已交付的實驗結論。

如果你在做研究或系統開發，先記三欄：每次觀察到計畫可用的時間、計畫的幾何誤差，以及任務完成與失敗類型。固定模型、資料、硬體、seed 與接受規則後，再一次只換一項；同時保留退回慢路徑的頻率。Agent Harness 的分工與最小 Harness 實作能幫你理解如何讓模型輸出進入可觀察的執行流程。

如果只是想看懂 AI 進展，下次看到 25 倍，先在旁邊寫「哪段工作、誰測、什麼對照、哪些沒計時」。模型運算證明的界線也提醒同一件事：每份證據都有自己的保證範圍。VFlash 最有意思的變化，是重新選擇空間輸出的生成單位；它接下來要交的成績，是讓更好的計畫在環境還來得及用它時抵達。