NavMCP：让基础模型协作，推动机器人走向长程导航

导语

机器人要在真实环境中完成“找到目标并回答问题”这类任务，难点并不只是看懂画面或走到某个地点，而是要在较长时间内持续推理：当前信息是否足够、下一步应该搜索哪里、哪些线索已经被排除，以及什么时候可以停止。论文《Scaffolding Foundation Models into Physical-World Agents Pushes the Frontier of Long-Horizon Navigation》提出 NavMCP，尝试用模型之间的结构化协作解决这一问题。

核心要点

• 让不同模型各司其职。 视觉语言模型（VLM）擅长理解任务、补全未知信息和调整高层计划，但反复把计划落地为可靠移动时可能不够稳定。导航基础模型（NFM）则能执行语义导航目标，却通常以有边界的单次任务为单位，缺少持续的任务级记忆。NavMCP 将两者组合：VLM 决定“要寻找什么证据、去哪里找、何时结束”，NFM 负责把每个子目标转化为闭环导航行为。

• 用三个通道连接推理与行动。 “意图”通道把证据需求转换成导航调用；“观测”通道将导航过程和结果返回为有来源的轨迹证据；“记忆”通道保存已经发现的内容、未发现某物的负面证据，以及仍未解决的目标。这样，机器人不必把每次移动视为孤立尝试。

• 不依赖重新训练。 该方法的重点不是打造一个全新的端到端模型，而是设计一层代理式脚手架，把已有 VLM 与 NFM 组织成可持续交互的系统。这为复用现有基础模型提供了相对直接的路径。

• 在模拟与实体平台上验证。 在 HM-EQA、MT-HM3D 和 EXPRESS-Bench 等具身问答基准上，NavMCP 达到文中所报告的领先结果。在代理模型和执行器相同的对照设置下，它在 HM-EQA 上较单次情节式接口提升 14.9 个百分点。搭载 Unitree Go2 的测试中，系统成功率达到 78.3%；随着任务跨度变长，相对最强基线的优势由 10 个百分点扩大到 45 个百分点。

意义与影响

NavMCP 的价值在于重新定义了“导航模型如何成为智能体”的问题。单次导航能力并不自动等于长程自主性，真正的瓶颈往往出现在任务分解、信息回收和跨回合记忆上。通过把推理与执行拆开，再用明确的接口连接，系统可以保留 NFM 的运动可靠性，同时利用 VLM 处理开放式目标和不完整信息。

这一思路也提示，未来具身智能的进展未必完全依赖更大模型或端到端训练。更成熟的记忆格式、证据管理和停止策略，可能同样决定机器人能否在复杂环境中少走重复路线、识别已经排除的方向，并把有限的移动预算用于真正有价值的探索。当然，现有结果主要围绕具身问答和特定机器人平台展开，协作框架在更多环境、传感器和任务类型中的稳定性，仍需要进一步验证。

来源：Hugging Face Daily Papers