LightNav-0：激发VLM空间智能，迈向通用具身导航

（1）《三年面试五年模拟》AIGC / LLM / AI Agent 算法工程师与开发工程师求职面试秘籍，独家资源见 WeThinkIn/AIGC-Interview-Book，欢迎 Star！

（2）AIGC / LLM / AI Agent 算法岗与开发岗求职面试内推学习社群 ，涵盖 AIGC、LLM 大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI 等方向的最新面试干货与核心知识，欢迎加入(https://t.zsxq.com/33pJ0)！

论文标题：LightNav-0：激发VLM空间智能，迈向通用具身导航

论文作者：亮源新创

发表时间：2026年8月31日

一、指向token与RVQ动作接口

底座是Qwen3-VL-4B-Instruct，不加导航专用预测头。每一步先吐两个指向token，一个点可走的空地，一个点任务目标，再吐三个残差矢量量化动作token，解码成10个SE(2)航点，交给各本体自己的底层控制器。后文不再展开。

二、导航对VLM空间先验的利用

操作要接触力、夹爪和物体形变，预训练视觉语言模型里这些监督很少。导航要的是图上哪块能走、目标在哪，这两件事模型本来就会用指点来表达。

报告把空间意图写成图像平面上的格子token，不绑深度、相机标定和跨本体的统一坐标系。室内找椅子、室外跟人，换本体也不用换这套接口。

环境覆盖的消融把账算清楚了。训练场景从八分之一加到全量，R2R成功率加16.7 分，RxR加21.1分。数据从一半加到全量，R2R只多0.8分。8B相对4B还互有涨跌。场景种类比堆参数、堆小时更值钱。

三、Real2Sim2Real场景到仿真转换

互联网场景不会自己长出导航目标。无标注的Habitat-GS、HM3D、MP3D和VLNVerse走自动预标注。先在可通行位置采样视点，每个视点渲四个朝向的RGB和度量深度，Molmo2在图上开集指点，深度把像素抬到三维。

合并很严。同类观测至少来自两个视点、两次观察，三维散布小于0.6米，才收成一个目标。InteriorGS自带官方三维框，跳过发现，直接写进同一份目标清单。

目标有了之后，抽一个起点，保证目标在离线清单的某个视角里可见，在导航网格上规划路径，钉住停车点，渲出第一人称视频和动作标签。训练时相机还要随机，视场90到130度，高度0.5到1.5米，俯仰从负15度到15度。

指令后写。几何模板按目标所在扇区填方向词，视频路线把均匀抽出的6帧和路径摘要交给Seed2.0。两路草稿都要过改写和语义门，方向反了就退回原文。最后用指点模型看结尾第1、3、6、10帧，目标没出现的回合标成可疑。

四、23.2M条监督微调样本配比

监督微调这摊样本按任务加总，图上写着23.2M 条。采样时导航动作占77.6%，VQA占22.4%，免得动作监督把空间能力冲掉。各源小时数报告没拆。

来源	样本条数	小时数
VQA	5.2M	未报告
ObjectNav	4.7M	未报告
SRDF	4.7M	未报告
ScaleVLN	2.8M	未报告
Tracking	2.8M	未报告
VLN-CE RxR	1.8M	未报告
VLN-CE R2R	642K	未报告
INSIGHT-Bench	454K	未报告
图上合计	23.2M	未报告

具身推理中训用36个源。指点占采样概率的35.14%，单图VQA占25.05%，视频推理占19.81%，一般视觉和抽象推理占20.00%。微调再叠16个导航源和33个辅助源。中训图上写着13.0M条，微调里留下来一起训的推理样本是5.2M条。

质检也写进配比。停止样本上限2%，轨迹簇上限5%，目标从头到尾没出现过的回合直接扔掉。跟踪数据来自EVT-Bench的行人跟随，报告没写其他类别。

INSIGHT-Bench是这条流水线切出来的一块，不是全部2000多个场景。训练1683个场景、53090条回合，评测210个场景、1097条，两边场景完全不重叠。HM3D和MP3D贡献698个训练场景、34531条回合。InteriorGS场景最多，817个训练场景只产出8534条。Habitat-GS只有55个训练场景、10个评测场景。

评测还按功能和布局切了五类场景，公寓、住宅、商业、机构和户外。指令按几何证明分成五类，直接点名、方向、关系、极值和序数。标签跟目标的生成过程走。

评测集里公寓120个场景239条，住宅61个场景216条。商业只有10个场景，回合却有195条。机构和户外场景更少，分别11个和8个，回合数到219和228。训练侧每个场景平均31.5条，评测侧平均5.2条。

五、10项导航仿真单目成功率第一

先把几个能说明数据引擎好坏的数字放在一起。十条公开仿真设定上，LightNav-0的单目成功率都是第一，下面只挑和场景覆盖、路径质量直接相关的项。

设置	LightNav-0	对照
VLN-CE R2R成功率	68.5	单目Qwen-RobotNav-4B为66.9，全景8B为72.1
VLN-CE RxR的nDTW	67.4	DualVLN为70.0
INSIGHT-Bench成功率	43.7	JanusVLN为27.4
INSIGHT户外成功率	34.2	JanusVLN为16.7
机构场景碰上极值指令	18.0	未报告分格对照
EVT-Bench分心跟踪成功率	82.6	单目ReferTrack为73.3，全景CoMaTrack为74.2

R2R相对最强单目前辈，成功率从66.9到68.5。户外那项更贴数据引擎，INSIGHT-Bench从JanusVLN的16.7拉到34.2，报告把原因写在训练里加了户外三维高斯轨迹。公开对照几乎都在室内Habitat里训。

输的地方也硬。RxR的nDTW是67.4，DualVLN是70.0，到了终点但路线不够贴。全景方法在R2R上还有72.1。机构大空间里要找最左、最近那种目标，成功率掉到18.0%。真机只有定性演示，没有成功率。

六、本地部署与推理实践

权重在Hugging Face上，协议Apache 2.0。以下命令来自GitHub README。模型卡上的安装命令指向lightrobo/LightNav-0，和仓库主页lightorigins不一致，这里按README。

bash 复制代码

git clone https://github.com/lightorigins/LightNav-0.git && cd LightNav-0
python3.11 -m venv .venv && source .venv/bin/activate
pip install -e ".[vllm,video]"
hf download LightOriginsHQ/LightNav-0 --local-dir checkpoints/LightNav-0

bash 复制代码

lightnav-predict --model_path checkpoints/LightNav-0 \
    --backend vllm_local --video clip.mp4 --fps 4 \
    --instruction "follow the person in the red shirt"

fps设成4，和模型卡写的训练输入一致，分辨率256乘448。这条示例走的是跟踪提示。仓库还提供lightnav-serve，--task tracking或vln起WebSocket服务，真机和MuJoCo演示都走同一套客户端协议。Habitat评测和部署说明在仓库docs/里。

七、总结与思考

Real2Sim2Real值钱的地方，是一条回合里语言、画面、指点和动作必须说同一件事。场景捕获一次，目标、路线、视角、指令可以反复组合。这才解释得了扩环境比扩小时更有效。

导航比操作更早吃到视觉语言模型的空间先验，我看就是输出停在图像平面和可通行空间里，预训练里本来就有。操作还要过接触这一关，报告没提供那部分监督，这条经验不能直接搬。

短板也明白。仿真榜单的单目第一，挡不住全景方法在R2R上更高，也挡不住机构大空间里左右最值仍然容易指错。8B相对4B互有涨跌，加参数帮不上忙。真机跨本体目前是视频，不是数字。数据引擎证明场景可以规模化，还没证明物理世界已经规模化。

参考链接

技术报告原文 arXiv 2608.30935 v2，v1于2026年8月，v2于2026年9月，HTML版
官方博客 Introducing LightNav-0
代码仓库 lightorigins/LightNav-0
模型权重与模型卡示例 LightOriginsHQ/LightNav-0
评测集 lightorigins/Light-INSIGHT-Bench
对比方案 Qwen-RobotNav技术报告、DualVLN、Uni-NaVid（RSS 2025）