研究团队提出无视觉编码器的NEO-VLA框架

研究团队提出NEO-VLA，一个结构上不需要视觉编码器的视觉-语言-动作框架：图像先由轻量 patch 卷积层 token 化，再与语言在主干网络中共同演化。 受控对比显示，这种原生架构优于基于编码器的方案；全量微调能缩小差距但无法消除，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。团队称，NEO-VLA 在多种操作场景和分布偏移下实现了更强、更稳健的控制。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。