近年来，大模型的发展经历了一个反复验证的成功路径：首先通过海量数据进行预训练，然后通过对齐技术提升其实用性，最后在广泛部署过程中不断迭代优化。随着这一成功模式的逐步深入，具身智能领域也开始思考，能否在物理世界重温这一过程。当前，具身智能正面临类似于大模型时期的“鸿沟”：在仿真环境中的表现实在出色，然而一旦转向不同的现实场景，往往需要重新收集数据与再训练，造成无法灵活应用。

最近，具身智能公司亮源新创通过两轮技术发布，提供了对这一问题的解决方案。首次发布的开源通用导航模型LightNav-0，着眼于“对齐”；而紧接着推出的机器人韧性控制技术Light REACT，则关注“部署”，这两者均与大模型的三个发展阶段相对应。

亮源新创的创始人姜旭，曾在OpenAI任职并专注于强化学习与人类反馈（RLHF），因此他提出了“规模化预训练、对齐和部署”的三段范式。这一策略强调普适性优先于专一性，先实现全场景泛化，再致力于精确化，相较于主流的逐步精化方式，这是一条显著不同的路线。 qy球友会官网

姜旭在OpenAI的经历使他对“能力”与“可用性”的转化有了深刻理解，正是基于此，他在技术设计时展现了独特的信心。LightNav-0的开发以严格的训练流程为基础，而Light REACT更是将偏好对齐直接融入机器人控制中，展现出高效的学习策略。

LightNav-0作为首个发布的模型，解决了导航功能，它以开源的视觉语言模型为基础，无需专门的导航模块，能够在多种机器人平台上实现零样本部署，轻松理解自然语言指令并自主导航。其技术报告显示，该模型在多个公开评测中表现优异，不仅超过了依赖多传感器系统的竞争者，还展示了独特的数据处理方式，结合真实场景和仿真生成的训练数据，成功克服了冷启动问题。

在设计中，团队也考虑到了模型的记忆结构，通过借鉴人类的遗忘曲线来分配注意力，确保模型在处理信息时既能保持效率，又不至于因历史数据的占用而造成负担。这种方法论和技术细节的结合，彰显了具身智能在大模型进化过程中所追求的全新高度。 qy球友会官网

热火分享克莱与字母哥在游艇合影，令人羡慕

敬一丹的突然离世：潜在健康隐患早有迹象