以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
Models for physical AI tasks, such as robotics and autonomous driving, need not reason solely in language. They can use visual plans--points, bounding boxes, and trajectories--to represent spatial goals and anticipate motion. However, autoregressive vision-language models generate these plans one coordinate token at a
阅读原文 · Yu-Cheng Chou, Shihao Wang, Jin Huang, Chi-Pin Huang, Chiao-An Yang, Xianzhe Fan, Jing Wang, Zhiqi Li, Yuanguo Kuang, Ruijie Zheng, Johan Bjorck, Sifei Liu, Hang Su, Abhishek Badki, Lei Zhang, Alan Yuille, Linxi "Jim'' Fan, Jan Kautz, Zhiding Yu
向阳乔木 · opencode-go/deepseek-v4.1-flash
机器人、自动驾驶这类物理 AI 任务,光靠语言推理不够。它们还得用视觉规划来表达空间目标:点、框、轨迹。 问题是自回归视觉语言模型画这些规划时,一个坐标 token 一个坐标 token 地吐,规划越精细,生成越慢越贵。VFlash 想解决的就是这个速度与精度的矛盾。 论文链接在这里,PDF 见此处,Hugging Face 页面在这里。 这篇论文想解决什么...