NEO-VLA：从像素到动作，迈向原生视觉-语言-动作策略

研究人员提出无编码器架构 NEO-VLA，去除了固定视觉编码器，使动作策略能直接获取不同网络深度演进的视觉表征。图像经轻量 patch 卷积层 token 化并与语言在主干中协同演进，供 flow-matching 动作专家在不同层级提取特征。受控对比显示其表现优于基于编码器的模型，在多种操作场景和分布偏移下实现了更鲁棒的控制。