LightNav-0是一种基于Qwen3-VL-4B构建的紧凑通用具身导航模型，无需任务特定预测头。它通过双通道指向接口（可供性点与物体点）表达空间意图，并利用残差向量量化动作分词器将意图映射为10个SE(2)航点，实现精确连续控制。模型采用时间感知视觉历史压缩、具身推理中期训练、监督微调与强化学习，单一模型即可支持指令跟随、开放词汇物体导航和视觉跟踪，训练数据覆盖2K+场景、4K+小时。

本文介绍了NavFoM，一个跨任务和跨形态的具身导航基础模型。该模型通过处理自我视角视频和语言指令来预测导航轨迹，经过八百万个样本的训练，采用时序-视角指示符token和预算感知时序采样策略，以提升模型的泛化能力和实用性。研究者强调开源和分享对技术影响力的重要性。