Mistral 把战线从聊天模型推进到了机器人导航。
这家法国 AI 公司发布了 Robostral Navigate，一款面向具身导航的 8B 模型。它的核心卖点很明确：机器人只靠一个普通 RGB 摄像头和一句自然语言指令，就能在办公室、走廊、仓储空间这类复杂环境里规划路径，不需要激光雷达、深度摄像头或多摄像头阵列。
官方给出的测试成绩是，在 R2R-CE（Room-to-Room in Continuous Environments）陌生环境验证集上，Robostral Navigate 的成功率达到 76.6%；在训练中见过的环境里，成功率为 79.4%。这个结果比此前最好的单摄像头路线高 9.7 个百分点，也比使用深度摄像头或多摄像头的系统高 4.5 个百分点。
这不是一个简单把大语言模型接到机器人上的项目。Mistral 称，Robostral Navigate 从内部视觉语言模型起步，重点训练指向、计数、物体定位等 grounding 能力，再把这些能力延伸到导航。模型会根据当前画面预测下一步该去的图像坐标和到达后的朝向；目标不在视野内时，才回退到本地坐标系里的位移动作，比如向前两米、向左一米半、左转 25 度。
训练数据也没有直接来自真实机器人采集。团队搭建了完整仿真数据流水线，在 6000 个场景中生成约 40 万条运动轨迹。随后，模型用一种基于 prefix-caching 的训练算法，把一整段轨迹压缩成单个序列，一次前向传播里学习所有时间步，同时用树状注意力掩码避免未来信息泄露。
这个工程细节决定了它的成本曲线。和逐时间步训练相比，新方法把训练 token 数降低了 22 倍，原本可能要跑几个月的训练，被压缩到几天。监督训练之后，Mistral 又加入 CISPO 在线强化学习，让模型从试错中恢复失败、形成探索行为，成功率再提高 3.2 个百分点。
“We are not seeing any plateauing.”
官方团队的意思是，曲线还没有明显见顶，继续训练和更多实验仍可能把导航成功率往上推。
真正值得看的不是 8B 这个参数规模，而是传感器假设。过去机器人导航常见路线是多传感器堆叠：摄像头看语义，深度传感器看距离，激光雷达负责稳定建图。Robostral Navigate 把压力压回到单个 RGB 摄像头和模型本身，相当于用更强的视觉语言理解能力，去换掉一部分硬件复杂度。
如果这条路线在真实部署中站得住，制造、物流、酒店配送等场景的机器人硬件成本会更容易下探。少一个深度摄像头或激光雷达，不只是物料成本下降，还意味着标定、维护、故障排查都会简单一些。对大量正在算单机毛利的机器人公司来说，这比模型跑分本身更实际。
但这次发布也需要谨慎看。76.6% 是 R2R-CE 基准上的陌生环境成绩，训练数据主要来自仿真；官方展示了长程办公室路线，但还没有给出大规模真实客户部署、户外极端光照、拥挤人流或长时间运行的故障率。换句话说，它证明了单摄像头路线的上限正在变高，还不能直接证明机器人马上可以少装传感器上岗。
这也是它对中国具身智能公司的参考价值所在。最近一批国内 VLA、世界模型和真机评测项目，很多都把重点放在「动作泛化」和「多本体适配」上。Mistral 这次选择先切导航，把感知、语言指令和路径执行做成一条闭环。它提醒行业，机器人不一定每一步都要先奔着通用操作去，能不能稳定到达指定位置，本身就是具身智能落地前最基础、也最昂贵的一环。
Robostral Navigate 目前被描述为可运行在轮式、足式和飞行机器人上，并能适配不同尺寸的机器人。Mistral 还在发布文中明确招聘机器人研究科学家和工程师，说明这不是一次边缘实验，而是公司把「physical AI」放进产品路线后的第一块拼图。
对开发者和机器人厂商来说，下一步要看的不是宣传视频，而是模型是否开放、推理成本如何、在低算力边缘设备上能跑到什么延迟，以及真实环境的导航失败是否可控。单摄像头导航听起来很轻，但落地时最重的部分，仍然是从基准成绩走到连续运行。
来源与核验：智东西机器人前瞻、CocoLoop、Mistral AI 官方发布、Tech in Asia 与 Investing.com 对 Robostral Navigate 参数、R2R-CE 成绩、训练数据规模和应用场景的交叉确认。