NEO-VLA提出无编码器视觉语言动作框架

2026年11月5日，Hugging Face Daily Papers 报道了 NEO-VLA，一个结构上无需视觉编码器的视觉-语言-动作（VLA）框架。该框架将图像交由轻量 patch 卷积层 token 化，并与语言在主干网络中共同演化，使 flow-matching 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。报道将其概括为“从像素到动作”的原生视觉-语言-动作策略。目前公开信息仅涉及框架设计思路，尚无实验数据、性能对比或应用进展的披露。

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。