› Los modelos VLA (Vision-Language-Action) son sistemas de control robótico que combinan modelos de visión y lenguaje (VLM) previamente entrenados con un módulo que genera movimientos específicos.
› El problema que los autores del artículo buscan resolver radica en que las diferentes capas de un VLM almacenan distintos tipos de información, desde la geometría visual local hasta la semántica abstracta vinculada al lenguaje.
› Hasta ahora, las arquitecturas VLA asignaban a cada capa del módulo de acción una capa fija del VLM, sin posibilidad de una selección flexible.
› Al mismo tiempo, las representaciones intermedias calculadas por el módulo de acción solo se propagaban de forma oculta a través de conexiones residuales (residual streams), sin opción de reutilización explícita.Qué proponen los autoresLa solución se denomina LayerRoute y consta de dos elementos principales.