零样本通用Agent导航：拆掉脚手架，成绩反超专训模型

机器之心 · wechat · 2026-08-27

阿德莱德大学吴琦团队提出 MIP（最小接口探针），将通用 coding-agent（如 Claude/Codex）直接接入机器人进行视觉语言导航（VLN）。研究取消了建图、记忆、路径点预测等传统脚手架，仅保留 observe() 和 step() 两个接口。在 R2R-CE 基准上，该方法取得 78% 成功率，追平并部分超越工业级专训模型（人类为 94%）。实验表明，模型推理能力是核心，辅助工具作为可选选项比强制集成更有效。然而，在长程导航（RxR-CE）中成功率跌至 26%，且真机测试暴露了缺乏本体感知的问题（如过门时身体卡住）。