ピクセルから行動へ：エンコーダーを持たないネイティブなVLAポリシーに向けて（NEO-VLA）

NEO-VLAは、固定の視覚エンコーダーを用いず、軽量なパッチ畳み込み層で画像をトークン化して言語と共にバックボーン内で処理するVLAフレームワークである。制御された比較では、ネイティブ構造がエンコーダー型を上回り、フルファインチューニングで差は縮まるものの消えず、規模の拡大だけでは埋まらない。層ごとのプロービングでは、行動に重要な信号が最終的な視覚表現より前の層でピークに達することが多いと示された。