LightNav-0：讓同一個視覺語言模型帶領不同機器人導航

LightNav-0 是 Light Origins 推出的開源通用具身導航模型。它的目標，是讓機器人只靠前方 RGB 攝影機畫面與自然語言指令，就能理解「往哪裡走」、尋找指定物件，或持續追蹤畫面中的目標，並直接產生移動航點。

它不是為每種導航任務各做一個模型，而是以 Qwen3-VL 視覺語言模型為基礎，建立一套共用的感知、語言與動作介面；官方稱已同步釋出模型、程式碼與技術報告。1510

值得先釐清的是發布日期：官方公告日期為 2026 年 9 月 1 日；GitHub 顯示的 9 月 17 日，是後續提交紀錄，並非最初發布日。510

核心設計：不同任務，共用一種「導航語言」

對機器人而言，理解「沿走廊走到電梯旁」、「去找紅色椅子」與「跟著前方的人」看似是三種不同問題。LightNav-0 的做法，是不論任務類型為何，都以相同格式表達導航決策。

模型先預測兩個對應影像網格位置的指向 token：

• 可行性指向點（affordance point）：代表局部可通行的方向或區域；
• 物件指向點（object point）：代表導航目標或需要持續追蹤的對象。

接著，模型輸出三個殘差向量量化動作 token，解碼成一段 10 步的 SE(2) 航點軌跡。論文中，分層動作碼本依序處理約 0.9 公尺尺度的決策，再細化至約 7 公分與 4 公分的調整。1

換句話說，語言指令或物件描述改變的是「要做什麼」，但模型對外輸出的空間意圖與移動軌跡格式不變。作者將其稱為不依賴任務、場景或機器人本體的統一 token 介面。1

為何選擇 Qwen3-VL？

LightNav-0 以 Qwen3-VL-4B-Instruct 視覺語言模型為骨幹，嘗試把原本用於看圖與理解語言的空間能力，對齊到實際導航動作，而非為每項任務或每種機器人另加專屬預測頭。1

在其報告的單目評測中，模型使用自我視角的視覺輸入，不依賴深度感測器、里程計或全景相機。介面因此相對直接：影像加語言輸入，轉為空間指向與航點輸出。1

不過，模型介面簡化不代表部署工作消失。實際裝機仍須處理攝影機校正、低階控制器、航點安全執行，以及目標環境中的測試與風險控管。

Real2Sim2Real：減少大量遙操作示範的資料路徑

機器人學習常見瓶頸，在於實體機器人示範資料昂貴、耗時且不容易涵蓋足夠多樣的場景。Light Origins 提出的 Real2Sim2Real 管線，意在把更多資料生成流程移到可重複利用的模擬環境中。

依公司說法，團隊將超過 2,000 個取自網路的室內外場景轉為模擬資產，並合成超過 4,000 小時的視覺—語言—動作對齊經驗。訓練分為三個階段：10

1. 具身推理中期訓練；
2. 導航監督式微調；
3. 線上強化學習。

資料生成期間還會隨機化攝影機視角、架設高度與俯仰角，目的是避免模型過度依賴某一種固定鏡頭位置，提升轉移到不同機器人本體時的適應性。1

這種方法有機會降低導航訓練對反覆遙操作資料收集的依賴，但不表示真實世界資料已不重要。模擬與現場的落差、感測器差異、控制延遲、障礙物安全，以及複雜戶外情況，仍是部署時必須面對的問題。

已公布的成果，應如何解讀？

論文指出，LightNav-0 以同一個檢查點，在 10 項模擬導航評測中取得領先的單目結果；官方也表示，模型可在未見過的場景中零樣本遷移到人形、四足、輪式與飛行機器人。110

這些結果的意義在於，測試的不是只針對單一機器人或單一基準調校的模型，而是同一策略能否跨任務與跨本體運作。不過，這些目前仍以作者報告為主。模型是否真能在開放、非受控的室內外真實環境中穩定運行，仍有賴第三方重現與更多實機測試。

開發團隊可從哪裡開始評估？

公開 GitHub 儲存庫將 LightNav-0 描述為基於 Qwen3-VL 的通用具身導航模型，並說明其共用 token 介面。5 Light Origins 則表示，此次開放內容包括模型、程式碼與技術報告。10

對想導入的團隊來說，問題不只是模型能否執行，而是下列條件是否吻合目標機器人：

• RGB 攝影機的視角與安裝位置；
• 語言輸入與任務描述方式；
• 模型輸出航點與既有低階控制器的銜接；
• 緊急停止、避障與其他安全機制；
• 模擬結果與真實場域測試之間的差距。

在進入產品或商業部署前，也應確認當前釋出檔案及其授權條款。

結論

LightNav-0 提出的是一套值得關注的導航方法：以較精簡的視覺語言模型為核心，用相同的「指向加航點」token 表示不同導航任務，再透過 Real2Sim2Real 管線擴大訓練資料供給。110

若其跨機器人的遷移能力能通過獨立、真實世界的驗證，未來開發導航系統或許不必每換一種機器人、每新增一項任務，就從頭蒐集大量遙操作示範資料。現階段較合適的定位是：它是一個開放且技術路線明確的研究與部署起點，而非已證明單一 RGB 相機加語言模型能在任何地方解決通用導航的定論。