Hugging Face Daily Papers·· 16 小时前AI 评分36
NEO-VLA：面向原生视觉-语言-动作策略的无编码器框架
From Pixels to Actions - Towards Native Vision-Language-Action Policies
AI 导读
论文提出 NEO-VLA，一个结构上去掉固定视觉编码器的视觉-语言-动作框架，图像经轻量 patch 卷积层 token 化后与语言在主干网络中共同演化，flow-matching 动作专家可从不同深度的指令条件视觉表示中取用信息。
来源：Hugging Face Daily Papers · huggingface.co