南洋理工大学等团队提出NEO-VLA,将原生视觉语言模型引入机器人动作学习。其视觉通路无需独立预训练视觉编码器,动作模块可直接读取主干不同深度的表征,从而更好利用精细操作所需的多层级视觉信息。研究通过多组对照实验,结合仿真与真机测试验证性能;依托超223万条轨迹的大规模多机器人数据集训练,在多项基准测试中表现优异,真机任务表现优于同类模型,单张RTX 3090推理延迟低。研究同时证实,动作训练中保留多模态理解能力可显著提升策略鲁棒性。