跳到正文
Hugging Face Daily Papers·· 14 天前精选AI 评分78

从像素到动作:迈向原生视觉语言动作策略

From Pixels to Actions - Towards Native Vision-Language-Action Policies

AI 导读

这篇论文介绍了 NEO-VLA 框架,主张视觉语言动作模型不应依赖固定的视觉编码器输出,而是让图像 token 在骨干网络中随语言共同演化。实验表明,这种架构在多种操作设置和分布偏移下比传统编码器方案更鲁棒,且关键动作信号往往在最终视觉表示之前达到峰值。材料为预印本版本,代码链接已提供。

推荐理由

该预印本提出无编码器架构,证明直接访问视觉计算层级能提升操作鲁棒性。

来源:Hugging Face Daily Papers · arxiv.org