NEO-VLA、エンコーダ不要のVLAポリシーを提案

1. 22:59
   Hugging Face Daily Papers

   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。

現在の注目度 4·比較可能なピーク 6（11月5日 19:00）·24時間の比較可能な増減 –

推移は、継続的かつ完全に観測できたアカウントのみを比較しているため、現在の注目度の数値より範囲が狭くなる場合があります。ポインターを動かすかグラフをタップすると、1時間ごとの注目度を確認できます。キーボードでは左右の矢印キーを使います。