Jim Fan 发布 VFlash 视觉模型，面向 Physical AI 并行解析视觉世界

Jim Fan· @DrJimFan · X·2026-11-06 00:31· 45 分钟前AI 评分46

AI 导读

Jim Fan 发布 VFlash 视觉模型，面向 Physical AI 并行解析视觉世界，在 Jetson Thor、DGX Spark 等边缘 GPU 上实现最高 12 倍更快的动作解码和 5.1 倍整体机器人推理加速。它一次性输出完整几何形状而非逐 token 解码，3D 轨迹误差最多降低 61%，精度甚至超过 VLM 主干。论文与代码均已开源。

正文 · 原文

System One 视觉模型的时代已经到来！隆重推出 VFlash：以无与伦比的速度为 Physical AI 并行解析视觉世界。

大多数具身预测任务，例如目标定位、机器人轨迹规划和稠密 3D 运动，都是固定长度的浮点向量。例如，一个边界框始终是 6 个 token，一条 10 个路点的机械臂轨迹是 54 个 token：这些我们事先就知道。与其一次解码一个 token，我们可以一次性输出整个几何形状。

VFlash 在 Jetson Thor 和 DGX Spark 等边缘 GPU 上实现最高 12 倍更快的动作解码和 5.1 倍的整体机器人推理加速。令人惊讶的是，它最终甚至比 VLM 主干更准确，3D 轨迹误差最多降低 61%。其直觉在于，VFlash 避免了自回归解码的级联误差——在自回归解码中，每个坐标一旦写出便无法更改，后续每个点都失去了回退修正的机会。

一切会动的东西都将实现自主，而一切自主的东西都需要在自己的芯片上思考。下一场推理革命，是以反射般的速度进行物理推理。

一如既往，论文开放，代码开源！链接见推文串：

来源：Jim Fan · x.com