通向多模态智能的道路。
多模态是好的。
我们相信，多模态是智能的必要条件。所以我们构建能看、能听、能在世界中行动，并从行动的反馈中学习的模型。
NEO-VLA feeds pixels straight into a native vision-language backbone. Control draws on its shallow layers, and native pretraining drives the gains.
