NEO-VLA：无需视觉编码器的原生视觉-语言-动作策略

研究团队提出 NEO-VLA，一个结构上无需视觉编码器的视觉-语言-动作框架，图像由轻量 patch 卷积层 token 化，并与语言在主干网络中共同演化。受控对比显示原生架构优于基于编码器的方案，全量微调可缩小但无法消除差距，单纯扩大规模也无法弥补。逐层探测发现动作关键信号常在最终视觉表征之前达到峰值，NEO-VLA 在多种操作场景与分布偏移下实现更强、更稳健的控制。