NEO-VLA 去掉视觉编码器：原生 VLA 预训练在 RoboTwin 上验证有效
liuziwei7 · x · 2026-11-06
LMMs-Lab（南洋理工 S-Lab、商汤研究院、Ropedia，含 Dahua Lin、Ziwei Liu 等）发布 NEO-VLA，论文《From Pixels to Actions – Towards Native Vision-Language-Action Policies》，项目页、代码、权重、数据集全部开源。
核心做法与发现：
- 去编码器架构：像素经轻量卷积 patch embedder 直接进入原生视觉-语言骨干，flow-matching 动作专家可从骨干任意层读取表征，读取深度成为可设计变量。
- 发现 1：动作相关的信息（局部几何、边缘、深度线索）分布在骨干的不同深度层，而非集中在最后输出。
- 发现 2：性能增益来自原生预训练，而非编码器接入——即使让专家直接访问 Qwen 的视觉塔也无法替代。
- 发现 3：后训练中保留理解数据很重要。
- 真机实验为三个任务、每个 50 条演示；同时在 LIBERO、LIBERO-Plus、LIBERO-Pro、RoboTwin 2.0 等仿真基准上评测，RoboTwin C2R 结果亮眼。
所属事件:NEO-VLA 发布：去掉独立视觉编码器的原生 VLA(2 条相关)→
「具身」频道最新
- Microdock v2:机器人入坞时坐下,让全部舵机断电省电 — natesiggard · 2026-11-06
- 22 小时组装一台 Asimov 机器人，开箱即正常运行 — whurley · 2026-11-06
- UP Summit 实拍金色 Cybercab 与 Optimus 机器人亮相 — DMaguireARK · 2026-11-06
- NVIDIA 上线 SimReady Central：3500+ OpenUSD 机器人资产经真实物理校准 — CyberRobooo · 2026-11-06
- UIUC 王申龙巡回讲物理世界模型：用像素承载力与 3D 动力学 — YuXiang_IRVL · 2026-11-06
- Moon Lake 发布机器人 RL 研究早期成果:仿真成为规模化训练关键 — Aiden_Tech_Ai · 2026-11-06