NEO-VLA 原生视觉-语言-动作策略发布，不依赖独立视觉编码器
liuziwei7 · x · 2026-11-06
LMMs-Lab 宣布 NEO-VLA：向原生 Vision-Language-Action 策略迈出的一步。与依赖独立预训练视觉编码器的主流 VLA 不同，NEO-VLA 让视觉与语言 token 联合处理，动作策略可跨骨干层访问丰富的视觉表征。
团队强调三个要点：原生预训练、中间层视觉特征、后训练阶段继续保留理解任务，在 RoboTwin C2R 上取得可观结果。（详见同批项目页长帖。）
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
- 博主提议把 agent 接到远程可控蟑螂集群上，赛博昆虫带摄像头 — Sauers_ · 2026-11-06
- 北大等开源5万小时第一人称视频配方，训练机器人世界模型 — DAGroup-PKU · 2026-11-06
- 印度 Physical AI 线下会:4 位机器人创始人谈工厂落地与 eval 实践 — carrycooldude · 2026-11-06
- 西北大学团队用普通智能手表读取手势与肌肉信号 — realkaranahuja · 2026-11-06
- 工业机械臂占机器人营收 42% 却只贡献 15% 估值，直觉外科独占 56% — ai · 2026-11-06
- 黑客逆向苹果未发布触屏 MacBook 的 HID API 并远程操控 — yoimnotkesku · 2026-11-06