› Modele VLA (Vision-Language-Action) to systemy sterowania robotami, które łączą wytrenowane wcześniej modele wizualno-językowe (VLM) z modułem generującym konkretne ruchy.
› Problem, który autorzy artykułu chcą rozwiązać, jest następujący: różne warstwy VLM przechowują różne rodzaje informacji - od lokalnej geometrii wizualnej aż po abstrakcyjną semantykę powiązaną z językiem.
› Dotychczasowe architektury VLA przypisywały każdej warstwie modułu akcji stałą warstwę VLM, bez możliwości elastycznego doboru.
› Jednocześnie pośrednie reprezentacje obliczane przez moduł akcji były propagowane tylko w ukryty sposób, przez tzw.