Robostral Navigate

是什么

Robostral Navigate 是 Mistral AI 的具身导航模型，于 2026 年 7 月 8 日发布，是这家公司的第一个具身导航模型^[2]。具身导航指的是：模型的输出不是一段文字或一张图，而是动作。它接收 RGB 图像和一句用日常语言写成的指令，带着机器人在环境中移动^[1]。

传感器方面的要求被刻意压低：它只用一台普通 RGB 摄像头，既不需要深度传感器，也不需要激光雷达（LiDAR）^[1]。深度相机和激光雷达能直接测出物体有多远，只有 RGB 图像的模型则必须从普通照片里把场景的立体结构推断出来。省掉这些传感器，机器人一侧的硬件就更简单，模型也能直接装在机器人本来就有的摄像头上。

怎么做的

模型有 80 亿参数，从 Mistral 自研的视觉语言模型初始化而来^[1]。从这样一个已经把图像和语言联系起来的系统出发，导航模型就有了读场景、懂指令的底子，训练要教的是把这份理解变成动作。

按 Mistral 的说法，这个模型完全自研，不依赖现有的开源视觉语言模型^[1]。它的数据生成流程完全在仿真中搭建，模型也完全在仿真中训练^[1]。训练数据是约 240 万条仿真轨迹，覆盖 35 万个场景^[1]。仿真场景可以大规模生成、随意变化，比在现实世界里一条走廊一间屋子地拍摄要省时省力得多——这也是这条路线常被采用的理由：不必亲自拍遍每一个房间，数据也能持续扩充。

仿真训练之后还有一步强化学习：用在线强化学习算法 CISPO 在仿真训练的基础上继续提升性能^[1]，Mistral 称它带来了 3.2 个百分点的成功率提升^[1]。这类阶段的做法大致是：模型自己去走路线，走到目标就得到奖励，参数则朝产生奖励的那套行为调整。

成绩

在 R2R-CE 的两个验证划分上，成功率分别为 76.6%（validation unseen）和 79.4%（validation seen）^[1]。导航基准里的 unseen 划分放的是模型训练时没见过的环境，通常是更难的一关，两个数字之间的差距，反映的是「来过没来过」对表现的影响有多大。

在发展中的位置

同一个模型可以用在轮式、足式和飞行机器人上^[1]。Mistral 还称它能适应训练中没见过的真实世界障碍物^[1]。

把这几条放在一起看：一个以视觉语言模型为起点、全程在仿真里训练、再用强化学习补上一段的导航模型，传感器只有一台普通摄像头。对一家以语言模型为人所知的公司来说，这是从「会回答的软件」走向「在物理空间里行动的软件」的一步；它也体现了机器人领域一种常见的做法——数据和训练都在仿真里做足，再让训练好的模型把能力带到真实机器上。