全部
全部

选一篇,慢慢读

从左侧挑一篇,正文会在这里排成书页。

文章与公开阅读资产

VFlash:通过 Flash 原语解码实现快速准确的视觉规划

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

乔木风格重写

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...

  • JK下一篇 / 上一篇
  • S收藏
  • A问 AI
  • I沉浸阅读
  • Esc退出