Hugging Face Papers: se presenta NEO-VLA, un marco de visión-lenguaje-acción sin codificador

InvestigaciónPublicado: Fuente: Hugging Face Papers

#Hugging Face

En breve

Se ha presentado NEO-VLA, un marco que accede directamente a la computación visual sin comprimir la información mediante codificadores. Recibió 55 votos positivos en Hugging Face Daily Papers.

Los modelos convencionales de visión-lenguaje-acción (VLA) se basan típicamente en la premisa de que la percepción se comprime primero mediante codificadores visuales, y el razonamiento de la acción comienza solo después. Sin embargo, la manipulación a menudo depende de señales visuales que son vulnerables a esta abstracción, como la geometría local, los límites, la profundidad y los cambios sutiles de estado.

En respuesta, se ha presentado NEO-VLA como un marco de visión-lenguaje-acción estructuralmente sin codificador (encoder-free). Este enfoque busca que las políticas de acción accedan directamente a la computación visual evolutiva en lugar de heredar un punto final visual fijo. El artículo recibió 55 votos positivos en Hugging Face Daily Papers.

Esta noticia es un resumen. La versión completa y verificable está en la fuente original:

Leer el original en Hugging Face Papers ↗