銀河通用聯合北京大學、阿德萊德大學、浙江大學等團隊，推出了全球首個跨本體全域環視的導航基座大模型——NavFoM（Navigation Foundation Model）。把Vision-and-Language Navigation、Object-goal Navigation、Visual Tracking 和Autonomous Driving 等不同機器人的導航任務統一到相同的範式。

• 全場景：同時支持室內和室外場景，未見過的場景 Zero-Shot 運行，無需建圖和額外採集訓練數據；
• 多任務：支持自然語言指令驅動的目標跟隨和自主導航等不同細分導航任務；
• 跨本體：可快速低成本適配機器狗、輪式人形、腿式人形、無人機、甚至汽車等不同尺寸的異構本體。

除此之外，該模型允許開發人員以之為基座，通過後訓練，進一步進化成滿足特定導航要求的應用模型。

根據介紹，NavFoM 建立了一個全新的通用範式：“視頻流 + 文本指令 → 動作軌跡”。無論是“跟着那個人走”，還是“找到門口的紅車”，在 NavFoM 裏都是同一種輸入輸出形式。模型不再依賴模塊化拼接，而是端到端地完成“看到—理解—行動”的全過程。

這意味着，曾經割裂的任務經過統一的數據對齊和任務建模可以互相遷移；不同形態的機器人能共享學習經驗和運動知識。

NavFoM 有兩項關鍵技術創新：第一，TVI Tokens（Temporal-Viewpoint-Indexed Tokens）——讓模型理解時間與方向。第二，BATS 策略（Budget-Aware Token Sampling）——讓模型在算力受限下依然聰明。

此外，銀河通用構建了的跨任務數據集包含八百萬條跨任務、跨本體導航數據，覆蓋視覺語言導航，目標導航，目標跟蹤，自動駕駛，網絡導航數據等多種任務；以及四百萬條開放問答數據，讓模型具備語言與空間之間的語義理解能力，這一訓練量約為以往工作的兩倍左右。