NeurIPS 2026 Oral 论文 LCVN 提出语言条件视觉导航任务与两条世界模型路线

华盛顿大学等机构的研究者提出语言条件视觉导航任务 LCVN，模型仅凭起点图像和语言指令预测完整导航动作序列，无需真实环境反馈纠错。团队构建了含 39016 条轨迹、117048 条人工核验指令的数据集，并比较两条路线：LCVN-WM 与 LCVN-AC 在世界模型潜空间中学习策略，LCVN-Uni 基于 Anole-7B 联合预测动作与画面。