--- format: "aidr-story-markdown/v1" id: "bf847f4610885a0948262844a710e2fe7ec48b26f6f3df4529ea05f2013770ab" canonical_url: "https://aidr.today/bf847f46?lang=vi" title: "Từ pixel đến hành động - Hướng tới các chính sách thị giác-ngôn ngữ-hành động bản địa" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-11-05T00:00:00.000Z" category: "Research" topics: ["agent"] source_urls: ["https://huggingface.co/papers/2611.06918"] summary: "Các mô hình thị giác-ngôn ngữ-hành động thường dựa trên một giả đề cơ bản: cảm nhận được nén lại trước tiên bởi các bộ mã hoá thị giác, và suy luận hành động chỉ bắt đầu sau đó. Tuy nhiên, thao tác thường phụ thuộc vào chính những tín hiệu thị giác mà sự trừu tượng hóa này khiến dễ bị tổn thương nhất, ví dụ như hình học cục bộ, ranh giới, độ sâu và những thay đổi trạng thái tinh vi. Điều này đặt ra một câu hỏi nền tảng: các chính sách hành động có nên kế thừa một điểm cuối thị giác cố định, hay truy cập trực tiếp vào quá trình tính toán thị giác đang phát triển? Chúng tôi giới thiệu NEO-VLA, một khung thái dương không có bộ mã hoá thị giác. Hình ảnh được chuyển thành token bởi các lớp tích chất bản đồ lưới nhẹ và phát triển cùng ngôn ngữ xuyên suốt phần còn lại của mạng, cho phép một chuyên gia hành động dựa trên sự trùng khớp dòng chảy rút kinh nghiệm từ các biểu diễn thị giác điều kiện bởi chỉ thị tại các mức độ khác nhau. Thay đổi đơn giản này tiết lộ một mô hình nhất quán. Các kiến trúc bản địa vượt trội hơn các mô hình dựa trên bộ mã hoá trong các so sánh được kiểm soát; việc tinh chỉnh toàn bộ giảm nhưng không xóa bỏ khoảng cách, và thêm quy mô đơn độc không thể phục hồi nó.…" --- # Từ pixel đến hành động \- Hướng tới các chính sách thị giác\-ngôn ngữ\-hành động bản địa > [Open the canonical story]() **Published:** 2026-11-05T00:00:00.000Z **Category:** Research **Topics:** agent ## Summary Các mô hình thị giác\-ngôn ngữ\-hành động thường dựa trên một giả đề cơ bản: cảm nhận được nén lại trước tiên bởi các bộ mã hoá thị giác, và suy luận hành động chỉ bắt đầu sau đó\. Tuy nhiên, thao tác thường phụ thuộc vào chính những tín hiệu thị giác mà sự trừu tượng hóa này khiến dễ bị tổn thương nhất, ví dụ như hình học cục bộ, ranh giới, độ sâu và những thay đổi trạng thái tinh vi\. Điều này đặt ra một câu hỏi nền tảng: các chính sách hành động có nên kế thừa một điểm cuối thị giác cố định, hay truy cập trực tiếp vào quá trình tính toán thị giác đang phát triển? Chúng tôi giới thiệu NEO\-VLA, một khung thái dương không có bộ mã hoá thị giác\. Hình ảnh được chuyển thành token bởi các lớp tích chất bản đồ lưới nhẹ và phát triển cùng ngôn ngữ xuyên suốt phần còn lại của mạng, cho phép một chuyên gia hành động dựa trên sự trùng khớp dòng chảy rút kinh nghiệm từ các biểu diễn thị giác điều kiện bởi chỉ thị tại các mức độ khác nhau\. Thay đổi đơn giản này tiết lộ một mô hình nhất quán\. Các kiến trúc bản địa vượt trội hơn các mô hình dựa trên bộ mã hoá trong các so sánh được kiểm soát; việc tinh chỉnh toàn bộ giảm nhưng không xóa bỏ khoảng cách, và thêm quy mô đơn độc không thể phục hồi nó\.… ## Sources - [Story source]()