银河通用联合北京大学、阿德莱德大学、浙江大学等团队，推出了全球首个跨本体全域环视的导航基座大模型——NavFoM（Navigation Foundation Model）。把Vision-and-Language Navigation、Object-goal Navigation、Visual Tracking 和Autonomous Driving 等不同机器人的导航任务统一到相同的范式。

• 全场景：同时支持室内和室外场景，未见过的场景 Zero-Shot 运行，无需建图和额外采集训练数据；
• 多任务：支持自然语言指令驱动的目标跟随和自主导航等不同细分导航任务；
• 跨本体：可快速低成本适配机器狗、轮式人形、腿式人形、无人机、甚至汽车等不同尺寸的异构本体。

除此之外，该模型允许开发人员以之为基座，通过后训练，进一步进化成满足特定导航要求的应用模型。

根据介绍，NavFoM 建立了一个全新的通用范式：“视频流 + 文本指令 → 动作轨迹”。无论是“跟着那个人走”，还是“找到门口的红车”，在 NavFoM 里都是同一种输入输出形式。模型不再依赖模块化拼接，而是端到端地完成“看到—理解—行动”的全过程。

这意味着，曾经割裂的任务经过统一的数据对齐和任务建模可以互相迁移；不同形态的机器人能共享学习经验和运动知识。

NavFoM 有两项关键技术创新：第一，TVI Tokens（Temporal-Viewpoint-Indexed Tokens）——让模型理解时间与方向。第二，BATS 策略（Budget-Aware Token Sampling）——让模型在算力受限下依然聪明。

此外，银河通用构建了的跨任务数据集包含八百万条跨任务、跨本体导航数据，覆盖视觉语言导航，目标导航，目标跟踪，自动驾驶，网络导航数据等多种任务；以及四百万条开放问答数据，让模型具备语言与空间之间的语义理解能力，这一训练量约为以往工作的两倍左右。