LightNav-0

从真实场景中规模化生成交互经验。

具身后训练首先面临数据生产的难题。真机经验需要机器人在具体环境中一次次尝试才能积累，而泛化要求经验覆盖丰富的本体、场景和任务组合。仅靠真实世界采集，不仅成本高，速度也难以满足模型训练快速迭代的需要。

Scalable Alignment（规模化对齐）从互联网上搜集的 2,000+ 个真实场景出发。数据引擎将不同格式的场景接入统一仿真接口，让同一个场景可以用于生成多种目标、路线、视角和指令表达。生成交互数据时，相机参数也随之变化，使训练数据覆盖不同的视场角、安装高度和机器人本体。

每次仿真交互都形成一组相互对应的数据：模型看到的画面、指令所指的目标、需要关注的位置，以及应当执行的动作。让大量场景真正用于后训练的关键，是这些信息彼此对齐，而不只是渲染数量的增加。目前，引擎已生成 4,000+ 小时视觉—语言—动作经验。随后，真机部署帮助我们发现下一轮还需补充哪些场景、任务和交互。

后训练的三个阶段。

具身基础模型的后训练逐渐形成了常见的三阶段流程：领域中期训练、监督微调和强化学习。三个阶段依次推进：中期训练打好表征基础，SFT 学习如何行动，RL 再根据模型实际采取的行动及其结果改进策略。LightNav-0 将这一流程用于导航，依次进行 ER 中期训练、具身 SFT与在线 RL。

先理解空间，再学习行动。

导航轨迹数据的采集成本很高，因为每条轨迹都需要与场景、指令和动作序列对齐。不过，行动前所需的许多能力，例如在图像中定位语言描述的目标、识别可通行空间、理解空间关系和追踪变化，都可以从更大规模的图像与视频中学习。第一阶段通过中期训练建立这些空间先验，第二阶段再用轨迹数据把它们转化为动作。

从场景中生成视觉、语言与动作对齐的经验。

第一阶段让模型学会理解空间，第二阶段则要让它据此行动。仅靠真机采集，很难覆盖后训练所需的场景、目标、路线和视角组合。Real2Sim2Real 让一个已经采集的场景可以反复使用，从中生成大量可执行的交互，持续扩充训练数据。

让空间理解转化为行动。

借助这些对齐数据，第一阶段学到的空间理解开始转化为导航行为。面对同一个语言目标和历史画面，模型同时学习判断：指令指的是哪个目标、哪里可以通行，以及沿哪条轨迹能够到达。这三个决策都由同一次交互提供监督，让感知与动作在训练中紧密联系。

训练以导航与动作样本为主，同时保留一部分推理数据，以维持第一阶段学到的空间能力。在第二阶段数据相同的情况下，以 LightNav-ER 为起点训练的模型在全部评测设置中都有提升（图 05–06）。空间理解通过简洁的输出形式转化为行动：Point CoT 用图像中的点表达空间意图，RVQ 动作 token 则编码接下来的轨迹。

在自主尝试中继续学习。