DRIFT：适配预训练VLM的连续输出解码框架

Zhuoming Liu等作者提出 DRIFT，一个把预训练视觉语言模型适配到连续解码任务的通用框架。它由两部分组成：基础预测器先给出粗略估计，基于流匹配的生成式精修模块再对强先验周围的局部残差分布建模，从而把生成建模问题转化为残差建模。 作者称，在视觉定位与机器人控制等感知和规划任务上，跨 MLLM、VLA、WAM 多种架构，DRIFT 一致优于回归类和生成类方案。该结论来自论文自述，尚待独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。