Mistral AI 推出机器人导航模型 Robostral Navigate

背景

机器人在室内要做的事，很大一部分是导航：从当前所在的位置，走到别人希望它去的地方，而指路的方式往往只是一句话。人做起来毫不费力，机器做起来却很难。它需要把连续不断的摄像头画面和一行文字，变成一连串动作，而且在走廊的样子与训练时不一样时还要继续做对。这一类问题通常被称为具身导航（embodied navigation），因为模型的输出直接作用在一个身处物理空间的身体上，而不是再产出一段文字。

在此之前，听懂指令并导航多半是机器人团队自己搭建专用系统的领域；通用模型开发者更多停留在文字和图像一侧——那里的数据多，出错也不会有代价。

发布了什么

2026 年 7 月 8 日，Mistral AI 推出 Robostral Navigate，称其为该公司第一个具身导航模型^[2]。这个模型有 80 亿参数，靠 RGB 摄像头图像加上自然语言指令来操控机器人^[1]。

这句话里两个部分都值得注意。RGB 图像就是普通彩色相机拍出的画面，不要求深度传感器、不要求激光雷达，也不要求事先建好的楼宇地图。而输入的是语言，不是坐标，也不是路径点。也就是说，模型要做的是把「相机看到了什么」和「人说了什么」合起来，决定「该怎么动」。

怎么做的

Mistral 表示，这个模型完全由公司内部自研，使用了模拟数据和 token 高效的技术^[1]。训练完全在模拟数据上完成^[1]，意味着模型对房间、走廊和障碍的经验，来自计算机生成的环境，而不是物理机器人四处行走留下的记录。

这是一笔常见的取舍。模拟便宜、快、安全：虚拟房间可以大批量生成，正确路线天然已知，机器人就算撞墙一百万次也不会有损失。代价是模拟与现实之间的落差——虚拟的墙更干净，光照更一致，地面比真实机器遇到的地面更平整。用这种方式训练出来的模型在真实硬件上是否站得住，是这类训练方式必然要面对的问题。

所谓「token 高效」，指的是模型处理输入的方式。多模态模型会把图像和文字转成 token（词元），也就是网络处理的小单位；用更少的 token 装下更多信息，每一步所需的算力就更低。对一个必须持续做出反应的机器人来说，这种节省不是细节，而是设计上的硬约束。

报告的结果

该模型在 R2R-CE 的 unseen 验证集上取得 76.6% 的成功率^[1]。R2R-CE 是一个考察「按自然语言路线指令在连续室内环境中行走」的基准。成功率就是机器人到达目标地点的运行次数所占的比例；unseen 验证集是用训练中没有出现过的场景构成的留出部分，因此这个数字意在反映陌生房间里的表现，而不是对记住过的场景的复述。这类基准成绩可比、可核查，但它描述的只是一个固定设定——单凭它并不能说明模型在真实建筑里的真实机器人上会怎样。

一个模型，多种身体

Mistral 表示，这个模型可以运行在轮式、腿式和飞行机器人上，并能跨机器人尺寸泛化^[1]。这几种平台差别很大：轮式底盘在平地上滚动，腿式机器能上台阶，飞行器在三维空间里移动，机器的尺寸也各不相同。一个能在这些平台上通用的导航模型，意味着它对「如何在空间中移动」的知识不绑定在某一种底盘上。这对实际部署很重要：每换一种机器人就要重新训练的系统，复用成本很高。

为什么重要

Mistral AI 为人所知的身份是语言模型开发者。Robostral Navigate 是它的第一个具身模型，标志着从「谈论世界的软件」迈向「让机器在世界中移动的软件」^[2]。它给出的做法——用模拟数据训练、全部自研、一个模型覆盖多种机器人——正是当下不少研究在走的方向，主要原因是真实机器人数据采集慢、成本高，而模拟数据不是。

对关注通用人工智能走向的读者来说，这条消息是一个坐标：模型开发者正在把目光从文字和图片，移向物理空间中的行动。