Le fait
NVIDIA Research a publié le 7 novembre 2026, dans son dépôt open source Eagle (NVlabs), le code d’entraînement, d’inférence et d’évaluation de VFlash, décrit dans l’article arXiv 2611.08449. Les points de contrôle entraînés (les poids du modèle) sont annoncés « à venir ». Parmi les auteurs figurent Jim Fan et Jan Kautz.
L’idée : un modèle vision-langage qui guide un robot écrit ses plans (points, boîtes, trajectoires) coordonnée par coordonnée, ce qui est lent. VFlash ajoute un petit « brouillonneur » de cinq couches qui prédit une trajectoire entière en une seule passe, en s’appuyant sur la structure connue de ces objets géométriques.
Contexte
Sur trois jeux de données de robots, l’erreur moyenne de position 3D baisse de 42,6 % par rapport au modèle de départ qui écrit pas à pas (jusqu’à 61 % sur AgiBot). Sur la suite de manipulation simulée MolmoSpaces, l’étape complète passe sur Jetson Thor de 3 552,7 ms à 703,3 ms (5,1 fois plus rapide), dont un décodage ramené de 3 107,6 ms à 258,2 ms. Un modèle d’action dérivé de Cosmos-Predict2.5 et guidé par ces plans atteint 70,2 % de réussite moyenne, contre 62,6 % pour la référence.
Pourquoi ça compte
Pour un robot, la latence entre ce qu’il voit et ce qu’il fait limite la fréquence à laquelle il peut corriger son geste. Réduire ce délai sur une puce embarquée rend crédibles des « cerveaux » plus détaillés directement à bord.
Lecture Neurone21
Les mesures sont celles de NVIDIA, faites en simulation et sur des étapes de calcul, pas sur la durée réelle d’une tâche physique. Sans poids publiés, personne ne peut encore les reproduire, et, selon AI Ping, la licence du modèle se limite à un usage de recherche non commercial.