픽셀에서 행동으로: 인코더 없는 네이티브 VLA 정책을 향하여 (NEO-VLA)

NEO-VLA는 고정된 시각 인코더를 사용하지 않고, 가벼운 패치 합성곱 레이어로 이미지를 토큰화하여 언어와 함께 백본 내부에서 처리하는 VLA 프레임워크다. 통제된 비교에서 네이티브 구조가 인코더형을 능가했으며, 전체 파인튜닝을 하면 차이는 줄어들지만 사라지지 않고, 규모를 키우는 것만으로는 메워지지 않았다. 레이어별 프로빙에서는 행동에 중요한 신호가 최종 시각 표현보다 앞선 레이어에서 정점에 달하는 경우가 많은 것으로 나타났다.