从真实场景到规模化智能：亮源新创VLN Scalable Alignment 实践

基于Real2Sim2Real规模化合成4000+小时后训练数据，实现跨本体、跨任务、跨场景的零样本真机泛化导航

【深圳，2026年9月1日】亮源新创（Light Origins）今日正式发布并开源通用导航大脑LightNav-0，该大脑在公开视觉语言导航（VLN）评测基准上实现全面领先（SOTA，state-of-the-art）。基于Real2Sim2Real技术，亮源新创团队使用2000+真实室内外场景，大规模合成了4000+小时后训练数据，可以让同一大脑在不使用目标机器人、目标环境或特定任务的导航训练数据，且无需进行额外微调的情况下，零样本泛化至不同机器人和全新真实环境中完成自然语言导航任务。

亮源新创LightNav-0在公开视觉语言导航评测基准上实现全面领先

视觉语言导航（VLN，Vision-Language Navigation）要求机器人根据视觉观测理解自然语言指令，并在持续感知环境的过程中完成空间推理、行动决策与导航控制。换一台机器人、换一个环境、换一类任务，都是对模型泛化能力的直接考验。亮源新创LightNav-0 此次验证的零样本泛化能力，覆盖“跨本体、跨任务、跨场景”三个维度。“零样本”指模型部署到新的机器人、场景或任务时，无需额外数据收集和模型微调。

LightNav-0是亮源新创“规模化预训练—规模化对齐—规模化部署”三段范式中规模化对齐（Scalable Alignment）的一项代表性实践成果。真实机器人数据最贴近部署环境，但规模化采集困难，数据多样性有限。为此，亮源新创将真实空间转化为可重复使用的仿真资产，使用全自动的数据合成管线，规模化合成机器人运动轨迹和自然语言指令，所得数据最终用于监督微调（SFT）与强化学习（RL）。

“用真实世界定义分布的边界，用仿真规模化合成分布内数据，让具身后训练跨过冷启动门槛。”亮源新创技术团队表示。沿着Real→Sim→Real的路径，真实世界为模型提供场景与任务分布；仿真系统将一次性采集转化为可持续使用的数据资产，扩大任务、语言与行为的覆盖范围；模型训练完成后，将在不同类型的机器人和真实环境中进行验证；部署过程中发现的新问题，将进一步转化为数据建设任务，并推动下一轮模型迭代。

公开VLN基准为不同方法提供了统一的比较尺度，但榜单成绩还不足以回答模型在真实世界中是否可用。为此，亮源新创计划开放一套更贴近真实使用体验的VLN评测体系，在现有基准之上进一步覆盖多种机器人本体、真实室内外环境、更自然且复杂的语言指令、长程任务与异常恢复等维度。同时，亮源新创期待研究者和开发者在更多机器人、场景与任务中使用、复现并检验亮源新创LightNav-0，共同建立一套连接“模型能力”与“真实可用”的评价尺度。

亮源新创LightNav-0跨本体实践

LightNav-0是亮源新创探索Physical AI规模化后训练路径的一次阶段性实践。未来，亮源新创将持续完善Real2Sim2Real数据飞轮，通过真实反馈与规模化数据生产推动模型持续自我改进：从真实部署中发现新的场景、任务与失败模式，将其转化为可复用的仿真资产与训练任务，规模化生成针对性数据；完成更新的模型再回到真实世界接受检验。每一次部署既是能力验证，也是下一轮数据生产的起点，由此形成真实问题持续回流、训练数据持续积累、模型能力持续提升的闭环。