NEO-VLA视觉-语言-动作框架提出

2026年11月4日，研究人员提出NEO-VLA，一种无视觉编码器的视觉-语言-动作框架。该框架通过轻量级补丁卷积层对图像进行标记，并与语言在骨干网络中共同演化，使动作专家能够从不同深度的指令条件视觉表征中提取信息。实验表明，原生架构在受控比较中优于基于编码器的对应架构，在各种操作设置和分布偏移下实现了更强且更鲁棒的控制。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。