Problem

目前的視覺語言導航（VLN）模型大多採用將觀測直接映射至動作的端對端架構。這種「黑盒子」模式容易導致座標偏移，且在處理長尾語義（Long-tail semantics）時表現不佳，缺乏推理透明度，難以同時兼顧導航的通用性、強健性與可解釋性。

Method

ABot-N1 提出一種「快慢架構」來解決上述挑戰：首先由「慢速視覺語言推理器」透過顯式思維鏈（Chain-of-Thought）產生像素目標，作為不同導航任務（如物件尋找、指令遵循、行人跟隨）的通用介面；接著由「快速動作專家」結合文本提示與像素導引，在原生控制頻率下生成連續的路徑點，實現高階意圖與底層控制的精確對接。

Results

該模型在多項基準測試中創下新紀錄，特別是在都市級規模的導航任務中，感興趣點（POI）的到達率大幅提升了 35.0%（達到 77.3%）。在複雜的室內與室外場景中，成功率分別高達 95.4% 與 92.9%，並在各種動態任務中展現出優異的強健性與通用能力。

Significance

ABot-N1 透過像素錨點與語言軌跡的結合，為具身智慧（Embodied AI）提供了一個具備高透明度且可推廣至現實世界的基礎模型架構。研究團隊同步開源了全新的都市級導航基準測試，對於推動機器人在大規模複雜環境中的實際應用具有重要貢獻。