Sensetime (China)

NEO-VLA把视觉语言动作模型里的固定视觉编码器去掉，图像经轻量卷积层切块后与语言在主干中一起演化，动作专家从不同深度的指令条件视觉表示中取用信息。受控比较中这类原生结构优于带编码器的对照，全量微调缩小差距但没有消除，单纯加大规模也补不回来；逐层探测显示对动作关键的信号常在最终视觉表示之前就达到峰值。

NEO-VLA把视觉语言动作模型里的固定视觉编码器去掉，图像经轻量卷积层切块后与语言在主干中一起演化，动作专家从不同深度的指令条件视觉表示中取用信息。受控比较中这类原生结构优于带编码器的对照，全量微调缩小差距但没有消除，单纯加大规模也补不回来；逐层探测显示对动作关键的信号常在最终视觉表示之前就达到峰值。