- 类别
- VLA 模型
- 开放程度
- 开源
- 发布时间
- 2025 年 9 月
- 开源协议
- 未声明
- 发布方所在地
- 中国
项目简介
阿里巴巴高德与西安交通大学的视觉-语言导航(VLN)模型,只用 RGB 视频和自然语言指令在连续环境中导航。在多模态大模型 Qwen2.5-VL 之上加入基于 VGGT 的 3D 几何编码器,用两套固定大小的隐式记忆分别保存语义信息和空间几何信息,逐步输出导航动作。提供 Habitat 中 R2R-CE、RxR-CE 的训练与评测代码,权重和预先采集的轨迹数据发布在 ModelScope。
- 规模
- 两版权重:Base 用 R2R-CE、RxR-CE 训练,Extra 另加 DAgger 和 ScaleVLN 数据