这项由Mistral AI研究团队主导完成的研究，以预印本形式发布于2026年7月22日，论文编号为arXiv:2607.20785，感兴趣的读者可通过该编号在arXiv平台查阅完整论文。
**机器人的眼睛，是一件奢侈品吗？**
假设你被蒙上眼睛，只能靠一只眼睛睁开后看到的画面来找路——没有地图，没有激光雷达扫描，没有测距仪，只是一帧一帧的普通照片。这正是绝大多数家用机器人、仓库小车、送货无人机面临的现实处境：传感器越多越精准，成本就越高，适用范围也越窄。今天要介绍的这项研究，正是奔着打破这道门槛而去的。
Mistral AI的工程师和研究人员构建了一个名为**Robostral Navigate**的导航系统，其核心是一个拥有80亿参数的视觉语言模型（可以简单理解为一个既能"看图"又能"读文字指令"的超大脑）。这个系统只需要一个普通的RGB摄像头——就是你手机前置摄像头那种最平常的彩色镜头——然后根据自然语言指令，比如"穿过前面那扇门，在橙色沙发前右转"，自主规划并走完整段路程。
在学术界的标准测试场上，Robost
