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。