本文介绍了Uni-NaVid，一个基于视频的多任务具身导航模型。该模型结合RGB视频流和自然语言指令，能够高效生成导航动作，并通过在线token合并机制优化推理速度。Uni-NaVid支持视觉与语言导航、目标物体导航、具身问答和人类跟随等任务，研究表明其在真实环境中表现出色，具备良好的泛化能力和计算效率。