Nvidia VFlash accélère 5× la planification robot sur Jetson Thor

Nvidia Research a publié VFlash, une méthode de décodage parallèle pour les modèles vision-langage appliqués à la robotique et à la conduite autonome. Le papier, co-signé par dix-neuf chercheurs de Nvidia, Johns Hopkins, Purdue, Hong Kong Polytechnic et University of Hong Kong, cible un goulot précis des VLM actuels: prédire une trajectoire ou une boîte englobante se fait « one coordinate token at a time, making richer predictions increasingly costly », écrivent les auteurs.

VFlash entraîne un drafter léger qui génère une primitive visuelle entière en une seule passe avant. Les chiffres annoncés: « mean 3D displacement error (ADE) decreases by 42.6% relative to the autoregressive target », et jusqu'à 61 % d'erreur en moins sur les waypoints 3D. Sur les quatre suites MolmoSpaces, un world action model conditionné sur les plans VFlash « achieves 70.2% average success across four MolmoSpaces task suites, compared with 62.6% for the baseline ».

Les gains de vitesse se concentrent sur l'edge. Sur Jetson Thor et DGX Spark, les auteurs mesurent une inférence robot 5× plus rapide, avec 12× sur le décodage seul côté Thor. Pour la conduite évaluée sur NAVSIM et Waymo, le facteur monte à 19–42× sur Thor, 22–49× sur DGX Spark, et 11–24× sur H100. Les auteurs qualifient eux-mêmes ces résultats de « Preliminary single-rollout measurements », avec « approximately 25x faster generation for 3D point motion forecasting » à batch size un.

Le positionnement théorique tient en une phrase: « Embodied models do not necessarily think in text; they can also think in visual plans. » Le papier rejoint la liste déjà dense d'alertes Nvidia suivies par notre veille sur les 90 derniers jours, dont plusieurs autour du raisonnement latent circulant côté recherche.