ABot-N1：迈向通用视觉语言导航基础模型

本文提出 ABot-N1，一种旨在统一深度推理与多样具身任务的通用视觉语言导航基础模型。针对现有单体策略存在的坐标漂移及缺乏可解释性问题，该模型采用快慢架构将认知与控制解耦。其中，慢速视觉语言推理器执行显式的思维链推理并生成像素级目标锚点，作为通用接口；快速动作专家则结合文本线索与像素指引生成连续路径点。该方法在仿真与真实场景基准测试中均创下新纪录，显著提升了城市尺度导航的鲁棒性与泛化能力。