以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Vision-language-action models are typically built on a simple premise: perception is first compressed by visual encoders, and action reasoning begins only afterwards. Yet manipulation often hinges on precisely the visual signals most vulnerable to this abstraction, e.g., local geometry, boundaries, depth, and subtle st
阅读原文 · Weichen Fan, Haiwen Diao, Penghao Wu, Siyuan Hu, Ziqi Huang, Tianqi Liu, Mingze Sun, Ziyi Wang, Zhongang Cai, Hanming Deng, Quan Wang, Lei Yang, Lewei Lu, Fangzhou Hong, Zhaoxi Chen, Dahua Lin, Ziwei Liu
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文问了一个挺根本的问题：做视觉语言动作模型时，视觉那一段到底该不该先固定压缩完，再交给动作决策。 作者的观点是，不该。因为操作任务最依赖的视觉信号，恰恰是局部几何、边界、深度、细微状态变化这些东西，而固定视觉编码器最先丢掉的往往就是它们。NEO-VLA 直接把编码器拿掉，让图像和语言在同一个主干里一起演化。 如果你在做具身智能、VLA 或者多模态动作策...