亮源新创｜LightNav-0以Real2Sim2Real实现跨本体零样本导航

导航模型最难的往往不是「在训练过的房间里走到椅子」，而是换了机身、换了相机高度、换了从未见过的走廊，还能不能听懂指令继续走。亮源新创（Light Origins）公开LightNav-0通用导航模型：以预训练视觉语言模型的空间智能为骨干，用统一token接口表达导航意图，并在不针对新本体做微调的前提下，追求跨任务、跨场景、跨机器人形态的零样本迁移。公司技术博客署期为2026年9月1日，近窗中文科技资讯再次集中传播；项目页、Hugging Face权重与代码仓库可供交叉核验。

亮源新创聚焦物理世界通用人工智能（Physical AGI）路线，公开叙事把规模化预训练、规模化对齐与规模化部署写成三步。LightNav-0被定位为用Real2Sim2Real探索「规模化对齐」的一步：先解决后训练经验不够多样、真机采集太贵的问题，再谈跨本体泛化。

数据与训练要点（团队公开口径）：

1. 数据引擎：Real2Sim2Real，将互联网来源约2000余个真实场景转为可反复使用的仿真环境
2. 经验规模：约4000余小时视觉—语言—动作导航经验
3. 三阶段后训练：具身推理（ER）中期训练 → 具身监督微调（SFT） → 在线强化学习（RL）
4. 骨干：约4B量级Qwen3-VL；双通道指向token表达空间意图；RVQ动作tokenizer映射轨迹
5. 任务统一：指令跟随、开放词汇物体导航、具身视觉跟踪共用同一模型
6. 评测：约10项公开导航仿真设置给出领先成功率叙事
7. 真机：称不改变权重即可零样本迁移至人形、四足、飞行与轮式等本体

所谓Real2Sim2Real，白话是先把真实场景「搬进」仿真里大规模练，再把策略搬回真机验；所谓零样本迁移，白话是换机器人本体时尽量不重新采集、不重新微调，直接开箱试跑。具身推理中期训练则像先练「看得懂空间关系」，再练「迈得出正确的步」。

放在具身开源竞赛上下文里，近窗多家团队发VLA与世界模型，导航仍常被拆成「一本体一策略」。LightNav-0赌的是：后训练数据的场景与视角多样性，比再堆一个任务头更关键。竞品若只有单一机型演示、给不出跨本体同权重对照，说服力会弱一截。

产业影响上，若第三方在非自家机队上复现开箱成功率，会抬高「通用导航基座」的复用价值；若仿真榜单漂亮、真机长程仍脆弱，市场会迅速打折。需要把边界读清楚：仿真与零样本表述以团队协议与公开演示为准。下一观察点是权重许可与完整评测协议，以及复杂室外与强动态场景下的连续成功率。