NEO-VLA：从像素到动作，无需视觉编码器的原生视觉-语言-动作策略
From Pixels to Actions - Towards Native Vision-Language-Action Policies
阅读原文
本站未展示全文，请前往来源网站阅读。
AI 导读
NEO-VLA 是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，让 flow-matching 动作专家从不同深度的指令条件视觉表征中提取信息。
来源：Hugging Face Daily Papers · arxiv.org