NEO-VLA 推出原生视觉-语言-动作机器人策略

NEO-VLA 彻底移除外置视觉编码器,像素经由轻量化卷积 Patch 嵌入层直接送入原生视觉-语言主干 NEO-2B,图像 Patch 与语言指令在每一层中同步处理。配套 Flow-Matching 动作专家模块,可以读取主干网络任意层的缓存特征,输出连续机器人动作,实现”像素输入,连续动作输出”端到端链路。研究表明,具身机器人控制应当充分利用模型全层级视觉表征,而不是仅依赖编码器输出的顶层特征,原生无编码器 VLA 架构,是通向通用机器人策略的一条可行路径。

原文连接