arXiv：NEO-VLA探索无编码器视觉-语言-动作架构

From Pixels to Actions - Towards Native Vision-Language-Action Policies 论文提出NEO-VLA，一种结构上去除视觉编码器的视觉-语言-动作框架：图像经轻量级patch卷积分词后与语言在主干网络中共同演化，flow-matching动作专家可读取不同深度的指令条件视觉表征。受控对比显示原生架构优于基于编码器的方案，全量微调和单纯扩大规模都无法消除差距；逐层探针发现动作关键信号往往在最终视觉表征之前达到峰值。