ScaleNav：面向语言条件局部导航的可扩展互联网视频预训练框架

ScaleNav 是一个统一的世界-动作框架，利用互联网第一人称视频进行指令条件视频预训练，学习目标导向的视觉动态，再经动作对齐与联合微调生成机器人可执行动作。它在 Short-Horizon OVON 单视角适配版本上成功率达 86.5%，在自建 HabitatGS-LN 基准上达 94.9%，均优于所评估的基线。模型已在真实四足机器人上部署验证，代码与视频已公开。