**从像素到动作：无需编码器的原生视觉 - 语言 - 动作策略**

_From Pixels to Actions - Towards Native Vision-Language-Action Policies_

> 研究提出了 NEO-VLA，这是一种无需固定视觉编码器的原生视觉 - 语言 - 动作框架。该模型通过轻量级卷积层对图像进行分块编码，使其与语言指令在骨干网络中联合演化，从而让动作专家能从不同深度的视觉表征中汲取信息。实验表明，这种架构在操控任务上优于传统编码器基线，且关键视觉信号往往在最终表征之前达到峰值，证明了让策略直接访问计算层级中的视觉信息能显著提升控制性能与鲁棒性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-05 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.06918)