로봇 계획 25배 빠르게, 비전 모델의 구조 활용한 VFlash

핵심 요약

• 로봇, 자율주행 같은 물리 AI 작업에서 비전-랭귀지 모델은 좌표·궤적 같은 시각적 계획을 통해 공간상 목표를 표현하고 움직임을 예측한다.
• 기존 자동회귀 모델은 이런 시각 원시요소를 토큰 하나씩 생성하기 때문에 예측이 복잡할수록 비용이 급증한다.
• VFlash는 Flash Primitive Decoding 기법으로 시각 원시요소의 구조를 활용, 경량 드래프터가 전체 원시요소를 한 번의 순전파로 예측한다.
• 상자와 가변 길이 궤적 등 원시요소 종류·차원·길이에 맞춰 레이아웃을 조정하며, 정확도를 위해 자동회귀 모델의 정확한 토큰 수열을 따를 필요가 없다.
• 주석이 달린 원시요소로 훈련하고 구조적으로 타당한 예측을 직접 수용하는 방식을 쓴다.
• 2D·3D 로봇 궤적 작업에서 VFlash는 자동회귀 디코딩보다 일관되게 예측 오차를 줄였다.
• 3D 점 움직임 예측에서 약 25배 빠른 생성을 기록했다.
• VFlash 계획으로 조건화된 월드 액션 모델은 MolmoSpaces 네 가지 작업 모음에서 평균 70.2% 성공률을 기록해, 베이스라인(62.6%)을 크게 능가했다.