LightNav-0 係 Light Origins 開源嘅通用機械人導航策略。佢用一個基於 Qwen3-VL 嘅視覺語言模型，讀取機械人前方 RGB 鏡頭畫面同自然語言提示，然後輸出移動路點。目標係以同一個模型處理跟隨指示、開放詞彙物件目標導航，以及視覺目標追蹤，而唔需要每個任務各自配一個預測頭。 15

項目嘅重點唔係推出一款新機械人，而係將「睇到乜、理解指令、應該點行」接成一個共通介面。Light Origins 表示，模型、程式碼同技術報告於 2026 年 9 月 1 日公開；GitHub 上見到嘅 9 月 17 日，係之後一次儲存庫提交日期，唔係原始發布日。 510

核心概念：用同一套「導航語言」做幾種任務

一般嚟講，機械人導航任務各有不同：有啲要按文字指示去某個位置，有啲要搵指定物件，有啲就要一直望住並跟住一個目標。LightNav-0 喺呢幾類任務之中，保持相同輸出格式。

模型首先預測兩個影像格網上的指向 token：

• 可行區域點（affordance point）：代表眼前可通行嘅局部方向或空間；
• 物件點（object point）：代表導航目的地，或者要追蹤嘅目標。

之後，模型會產生 3 個殘差向量量化動作 token，解碼成一段 10 步嘅 SE(2) 路點軌跡。論文所用嘅分層動作碼本，由大約 0.9 米尺度嘅決策開始，再細化至 7 厘米同 4 厘米。 1

所以，指令內容或物件描述雖然會改變機械人「想做乜」，但模型最終都係以同一個方式作答：指出可以行去邊、目標喺邊，再輸出點行過去嘅軌跡。研究團隊形容，呢個係一套唔受任務、場景同機械人形態限制嘅統一 token 介面。 1

點解用 Qwen3-VL 做底座？

LightNav-0 以 Qwen3-VL-4B-Instruct 呢個視覺語言模型為起點，將佢原本嘅視覺同語言理解能力對齊到導航行動，而唔係每個任務、每款機械人都另外訓練一套專用策略。研究嘅目標，係將視覺語言模型理解空間關係嘅能力，轉化為實際可執行嘅機械人動作。 1

喺其單目評測設定中，模型主要靠機械人視角嘅畫面，唔依賴深度感測器、里程計或全景鏡頭。換言之，個介面相對直接：鏡頭觀察加語言輸入，輸出空間意圖同路點。 1

不過，模型介面簡化，唔等於整套機械人系統可以掉以輕心。實際部署仍然要做好鏡頭校準、低層控制器安全執行路點，以及針對目標機械人同環境作測試。

Real2Sim2Real：減少反覆遙控示範嘅數據壓力

訓練機械人其中一個難題，係要喺真機上收集大量、多樣而又高質素嘅示範數據；呢個過程往往要靠人手遙控。Light Origins 提出嘅 Real2Sim2Real 流程，目的係將更多工作移去可重用嘅模擬環境做。

按公司公布資料，團隊將超過 2,000 個來自互聯網嘅室內外場景轉成模擬資產，並合成超過 4,000 小時、視覺—語言—動作對齊嘅訓練經驗。 10 其訓練分為 3 個階段：

1. 具身推理中期訓練；
2. 導航監督式微調；
3. 線上強化學習。 10

生成訓練資料時，團隊會隨機改變鏡頭視野、安裝高度同俯仰角，希望模型唔會過度依賴某一個固定鏡頭位置，並較易遷移到不同機械人形態。 1

呢個方法有機會減少必須靠反覆遙控收集嘅導航資料，但唔代表真實世界資料再冇需要。模擬環境逼真程度、感測器差異、控制延遲、避障安全，以至罕見嘅戶外狀況，全部仍然係落地時要面對嘅風險。

報告中嘅成績，代表咩又唔代表咩？

論文報告指，同一個模型檢查點喺 10 項模擬導航評測中取得領先嘅單目結果，亦展示咗喺未見場景中，零樣本遷移到人形、四足、輪式同飛行機械人。 110

呢啲結果有意義，因為測試緊嘅唔止係單一基準表現，而係同一策略可唔可以跨任務、跨機械人身體使用。不過，呢啲目前主要仍係作者報告嘅結果。要真正判斷佢係咪足夠通用，關鍵仲係獨立團隊重現成果，尤其係喺非受控嘅真實室內外環境中運行。

開發者目前可以攞到乜？

公開嘅 GitHub 儲存庫將 LightNav-0 描述為基於 Qwen3-VL 嘅通用具身導航模型，並展示其共用 token 介面。 5 Light Origins 亦表示，今次開放內容包括模型、程式碼同技術報告。 10

對考慮試用嘅團隊而言，問題唔單止係「個模型跑唔跑到」，而係 RGB 加語言嘅輸入、路點輸出、鏡頭配置同低層控制器，係咪真係同目標機械人配合到。較穩陣嘅評估做法，應該同時比較模擬及真機表現、測試安全後備機制，並喺投入生產或商業使用前，核實最新發布檔案同授權條款。

總結

LightNav-0 提出咗一條可重用嘅具身導航路線：用較精簡嘅視覺語言模型，透過統一嘅指向加路點 token 表示多種導航任務，再以 Real2Sim2Real 流程大量生成對齊訓練資料。 110

如果其跨機械人遷移能力可以喺獨立真實世界測試中站得住腳，開發導航系統或有機會少啲為每個任務、每款機械人重新收集遙控示範數據。現階段較合適嘅定位，係一個開放、技術細節清楚嘅研究同部署起點，而唔係已經證明一個 RGB 鏡頭加語言模型可以喺所有地方解決通用導航。

LightNav-0 係 Light Origins 開源嘅通用機械人導航策略。佢用一個基於 Qwen3-VL 嘅視覺語言模型，讀取機械人前方 RGB 鏡頭畫面同自然語言提示，然後輸出移動路點。目標係以同一個模型處理跟隨指示、開放詞彙物件目標導航，以及視覺目標追蹤，而唔需要每個任務各自配一個預測頭。 15

項目嘅重點唔係推出一款新機械人，而係將「睇到乜、理解指令、應該點行」接成一個共通介面。Light Origins 表示，模型、程式碼同技術報告於 2026 年 9 月 1 日公開；GitHub 上見到嘅 9 月 17 日，係之後一次儲存庫提交日期，唔係原始發布日。 510

核心概念：用同一套「導航語言」做幾種任務

一般嚟講，機械人導航任務各有不同：有啲要按文字指示去某個位置，有啲要搵指定物件，有啲就要一直望住並跟住一個目標。LightNav-0 喺呢幾類任務之中，保持相同輸出格式。

模型首先預測兩個影像格網上的指向 token：

• 可行區域點（affordance point）：代表眼前可通行嘅局部方向或空間；
• 物件點（object point）：代表導航目的地，或者要追蹤嘅目標。

之後，模型會產生 3 個殘差向量量化動作 token，解碼成一段 10 步嘅 SE(2) 路點軌跡。論文所用嘅分層動作碼本，由大約 0.9 米尺度嘅決策開始，再細化至 7 厘米同 4 厘米。 1

所以，指令內容或物件描述雖然會改變機械人「想做乜」，但模型最終都係以同一個方式作答：指出可以行去邊、目標喺邊，再輸出點行過去嘅軌跡。研究團隊形容，呢個係一套唔受任務、場景同機械人形態限制嘅統一 token 介面。 1

點解用 Qwen3-VL 做底座？

LightNav-0 以 Qwen3-VL-4B-Instruct 呢個視覺語言模型為起點，將佢原本嘅視覺同語言理解能力對齊到導航行動，而唔係每個任務、每款機械人都另外訓練一套專用策略。研究嘅目標，係將視覺語言模型理解空間關係嘅能力，轉化為實際可執行嘅機械人動作。 1

喺其單目評測設定中，模型主要靠機械人視角嘅畫面，唔依賴深度感測器、里程計或全景鏡頭。換言之，個介面相對直接：鏡頭觀察加語言輸入，輸出空間意圖同路點。 1

不過，模型介面簡化，唔等於整套機械人系統可以掉以輕心。實際部署仍然要做好鏡頭校準、低層控制器安全執行路點，以及針對目標機械人同環境作測試。

Real2Sim2Real：減少反覆遙控示範嘅數據壓力

訓練機械人其中一個難題，係要喺真機上收集大量、多樣而又高質素嘅示範數據；呢個過程往往要靠人手遙控。Light Origins 提出嘅 Real2Sim2Real 流程，目的係將更多工作移去可重用嘅模擬環境做。

按公司公布資料，團隊將超過 2,000 個來自互聯網嘅室內外場景轉成模擬資產，並合成超過 4,000 小時、視覺—語言—動作對齊嘅訓練經驗。 10 其訓練分為 3 個階段：

1. 具身推理中期訓練；
2. 導航監督式微調；
3. 線上強化學習。 10

生成訓練資料時，團隊會隨機改變鏡頭視野、安裝高度同俯仰角，希望模型唔會過度依賴某一個固定鏡頭位置，並較易遷移到不同機械人形態。 1

呢個方法有機會減少必須靠反覆遙控收集嘅導航資料，但唔代表真實世界資料再冇需要。模擬環境逼真程度、感測器差異、控制延遲、避障安全，以至罕見嘅戶外狀況，全部仍然係落地時要面對嘅風險。

報告中嘅成績，代表咩又唔代表咩？

論文報告指，同一個模型檢查點喺 10 項模擬導航評測中取得領先嘅單目結果，亦展示咗喺未見場景中，零樣本遷移到人形、四足、輪式同飛行機械人。 110

呢啲結果有意義，因為測試緊嘅唔止係單一基準表現，而係同一策略可唔可以跨任務、跨機械人身體使用。不過，呢啲目前主要仍係作者報告嘅結果。要真正判斷佢係咪足夠通用，關鍵仲係獨立團隊重現成果，尤其係喺非受控嘅真實室內外環境中運行。

開發者目前可以攞到乜？

公開嘅 GitHub 儲存庫將 LightNav-0 描述為基於 Qwen3-VL 嘅通用具身導航模型，並展示其共用 token 介面。 5 Light Origins 亦表示，今次開放內容包括模型、程式碼同技術報告。 10

對考慮試用嘅團隊而言，問題唔單止係「個模型跑唔跑到」，而係 RGB 加語言嘅輸入、路點輸出、鏡頭配置同低層控制器，係咪真係同目標機械人配合到。較穩陣嘅評估做法，應該同時比較模擬及真機表現、測試安全後備機制，並喺投入生產或商業使用前，核實最新發布檔案同授權條款。

總結

LightNav-0 提出咗一條可重用嘅具身導航路線：用較精簡嘅視覺語言模型，透過統一嘅指向加路點 token 表示多種導航任務，再以 Real2Sim2Real 流程大量生成對齊訓練資料。 110

如果其跨機械人遷移能力可以喺獨立真實世界測試中站得住腳，開發導航系統或有機會少啲為每個任務、每款機械人重新收集遙控示範數據。現階段較合適嘅定位，係一個開放、技術細節清楚嘅研究同部署起點，而唔係已經證明一個 RGB 鏡頭加語言模型可以喺所有地方解決通用導航。