VFlash、視覚計画の座標を一括予測　3D動作予測で約25倍高速化

何が起きたか

arXivに2026年11月5日掲載の論文で、VFlashは視覚プリミティブの座標を一度の順伝播で生成する方式として提案された。論文は、3D点動作予測の予備的な単一ロールアウト測定で、自己回帰デコードに対し生成速度が約25倍になったと報告した。また、VFlashの計画を条件にした世界行動モデルは、MolmoSpacesの4タスク群で平均成功率70.2%を記録し、ベースラインの62.6%を上回った。

詳細

VFlashは、視覚・言語モデルが座標トークンを一つずつ出力する方式に対し、軽量なドラフターで視覚プリミティブ全体を一度の順伝播で予測する。予測レイアウトはプリミティブの種類、次元、長さに合わせ、箱のような簡潔な表現から長さが変わる軌道まで扱う。学習には注釈付きプリミティブを使い、自己回帰モデルの正確なトークン列との一致を求めず、構造的に有効な予測を受け入れる。 論文は2Dおよび3Dロボット軌道タスクで、自己回帰デコードより予測誤差を一貫して低減したと報告している。約25倍という値は3D点動作予測の予備的な単一ロールアウト測定であり、MolmoSpacesの成功率は4タスク群での平均として示された。

Key Facts

本紙の見方

この手法の焦点は、視覚計画を言語モデルのトークン列として逐次出力する代わりに、点・箱・軌道という構造化された単位で座標をまとめて予測する点にある。論文が扱うのはデコード方式の変更であり、ロボット本体や計算基盤を含むシステム全体の高速化を示したものではない。約25倍という値も3D点動作予測における予備的な単一ロールアウト測定で、別の条件や実機運用にそのまま当てはまるとは限らない。 精度面では、2D・3Dのロボット軌道タスクで予測誤差の低減を報告し、さらにVFlashの計画を使う世界行動モデルで、MolmoSpacesの4タスク群における平均成功率がベースラインより7.6ポイント高かった。ここでは速度指標とタスク成功率が別の評価として提示されている。したがって、生成を速めることが成功率向上を引き起こしたとまでは、この要約情報から結論できない。構造的に有効な出力を受け入れ、教師側のトークン列との一致を求めない学習設計は、同じ空間目標を異なる座標列で表す場合にも計画を評価できる可能性を示すが、その範囲や条件は評価結果の詳細に依存する。 業界への含意は、ロボットや自動運転の計画出力を、文章生成と同じ逐次デコードだけに頼らず、対象のデータ構造に合わせて設計する選択肢が示されたことだ。とくに可変長軌道まで扱う設計は、固定個数の座標出力に限定しない一方、プリミティブの種類・次元・長さに合わせた構造定義が必要になる。評価対象が2D・3D軌道とMolmoSpacesの4タスク群である以上、実機での遅延、計画の安全性、環境変化への頑健性、長い動作列での性能は別途確認が要る。次に見るべきなのは、約25倍の測定条件と比較対象の詳細、成功率のタスク別内訳、実環境での計算時間と失敗時の挙動である。

なぜ重要か

自己回帰方式が座標を一つずつ出力するのに対し、VFlashは視覚プリミティブ全体を一度の順伝播で予測する設計であり、論文は3D点動作予測で約25倍の生成速度を報告した。ロボット軌道計画で速度と誤差の双方を評価する際の別方式となるが、約25倍は予備的な単一ロールアウト測定であり、実機での効果を示す値ではない。