法国AI公司Mistral，大家更熟悉的是它那些开源大语言模型。但7月8日它悄悄把触角伸到了”物理世界”。新发布的Robostral Navigate是Mistral第一款面向机器人导航的模型，参数只有80亿，却干了件挺反直觉的事：让机器人只靠一个最普通的RGB摄像头，就能在复杂空间里自己走路、认路，不用激光雷达，也不用深度传感器。
传统方案要让机器人不撞墙，往往得堆传感器——LiDAR、深度相机、好几路摄像头一起上。Robostral Navigate偏要做减法。它接收摄像头画面和一句大白话指令，比如”走出大堂，穿过走廊，进储物间，停在第二个货架正前方”，就自己驱动机器人走完整个流程，连训练时从没见过的人和障碍物都能现场避让。
在R2R-CE这个导航基准上，它在没见过的环境里成功率76.6%，见过的有79.4%。更扎眼的是，它比此前最好的单摄像头方案高出9.7个百分点，甚至比用着深度或多摄像头的系统还高出4.5个百分点——”一只眼”反而赢了”多只眼”。
怎么做到的：先学会”指路”，再学会”走路”
核心是一套基于”指向”的导航机制。模型看着当前画面和历史指令，预测机器人下一步该往画面里的哪个坐标走、到了之后该朝向哪边。比起直接给”往前两米、左转25度”这种精确位移指令，这种”指路”的方式天然不挑相机参数、也不挑空间尺度，同一个模型能装在轮式的、腿式的甚至飞行的机器人上。
训练上Mistral也走了一条省钱的路。整个模型完全在模拟环境里训出来，用6000个虚拟场景攒了大约40万条轨迹。再配上前缀缓存（prefix-caching）的训练算法，把整段任务压成一条序列一次训完，训练token量砍到原来的1/22，原本要几个月的活儿压缩到几天。最后再上一轮在线强化学习（CISPO），成功率又多榨出3.2个百分点。
为什么这件事值得盯
对Mistral来说，这只是通向”统一具身智能体”的第一步，但它戳中的是机器人落地最贵、最麻烦的一块——感知与导航。制造业、配送、物流、酒店这些场景里，”让机器自己从A走到B”向来是客户最想要的本事。把硬件门槛从一套传感器阵列降成”一颗摄像头加80亿参数”，意味着更多中小玩家也能碰机器人了。
- 模型完全自研，不依赖任何开源视觉语言模型，从Mistral自家的 grounding 模型初始化而来。
- 对相机内参差异很皮实，不同机器人、不同摄像头都能通用，部署起来省心。
- 团队明确说还没看到性能天花板，更多训练和数据还能继续把数字往上推。
当然，模型目前还没开源，权重和代码要走商务接洽。但Mistral从语言模型跨界到机器人，信号已经很清楚：当小模型也能用一颗摄像头搞定复杂导航，机器人自主移动的硬件护城河，正在被重新画一遍。
