NEO-VLA:2B 原生 VLM 直吃原始像素,LIBERO 均值 95.3 胜 Qwen3-VL

liuziwei7 · x · 2026-11-06

NEO-VLA 架构要点:不再使用传统视觉编码器,而是用一个小型 conv patchifier 将原始像素直接送入 2B 原生 VLM(NEO-2B,40 层),再接 flow-matching action expert(共享 t-RoPE 偏移,输出机械臂 26D + 底盘 8D 动作)。LIBERO 基准(30000 步 checkpoint、2000 episodes 平均)显示:NEO-VLA 2B Full FT 平均成功率 95.3,超过 4B 的 Gemma-3(91.0)与 2B 的 Qwen3-VL(90.8);且 NEO-VLA Frozen 状态即达 90.9,接近对手全量微调水平。作者观察:逐层分析显示其骨干首层表现类似传统视觉编码器,原生像素输入路线可以比 VLM+视觉编码器更有效。