SuperNav：面向任意任务与任意场景的智能体导航系统

SuperNav: An Agentic Navigation System for Any Task in Any Scene
Jinkai Zhang、Jingyi Xu、Yuanhong Yu、Jiarui Guo、Hujun Bao、Xiaowei Zhou、Sida Peng†（浙江大学 / 深圳大学 / Causa Robotics，† 通讯作者）
arXiv:2610.12126v1 [cs.RO]，提交于 2026-10-08 · arXiv:2610.12126 · 项目页 · 代码仓库 zju3dv/SuperNav（许可证为自定义 Other）
代码状态：agent 运行时、导航工具与 Skills、实验配方与评测已开源，Learned Executor 权重在 HuggingFace the0xka1/SuperNav-Learned-Executor，InteriorGS 单目标/多目标测试集在 yyh929/HabitatGS-Benchmark；README 的发布清单里「AI2-THOR 需求驱动基准」与「真机（Unitree Go2）部署」两项仍未勾选，仓库不含真机驱动。

一句话总结

SuperNav 不做导航微调，而是给一个现成的多模态大模型套上专用 agent harness：MLLM 只负责解读请求、看懂场景、做决定，移动交给可替换的运动后端；一个统一的视觉点接口让模型直接在观测图像里点出目的地，再从执行反馈里修正决定。在单目标导航上它拿到 78.00% 成功率（最强基线 UniNaVid 只有 34.00%），需求驱动导航 59.50%（OmniNav Action Former 37.50%），HM3D-OVON 120 集 val-unseen 上 1 m 阈值 73.33% SR / 0.4105 SPL，并在真机 Unitree Go2 上跑通。

一、问题：任务泛化与场景泛化，被两条老路各自卡住

图1（论文 Fig.1）：Skill 引导的沙发搜索。Agent 复核候选、从被堵的门洞恢复、并验证任务是否完成——整个闭环由 MLLM 的判断驱动。

通用服务机器人需要的导航，不是「走到坐标」，而是「满足一句人话」。找某个特定物体、按顺序拜访多个目标、或者「找个能歇脚的地方」这类高层需求，差别不只在找什么，还在怎么探索、怎么记账、怎么判定完成。论文把这种能力拆成两维：任务泛化（适配不同请求）与场景泛化（在训练和开发时没见过的环境里照样工作）。

模块化零样本导航（SemExp、VLFM、ApexNav 一类）用预训练视觉语言模型给观测打语义相关分，再喂给目标导向的探索分数。分数能跟着新观测自适应，但任务逻辑是写死的：模型何时参与、探索何时切换到目标确认、执行何时结束，都由流水线预先规定。请求一旦从「找类别」变成「找实例」「拜访多个」「满足抽象需求」，目标解读、进度跟踪、完成条件全都变了，这套工作流就得跟着改。

端到端方法（NaVid、UniNaVid、StreamVLN 一类）想在单一模型里覆盖多种任务，但泛化被导航训练数据的覆盖面锁死：它们在「指令—轨迹」配对上微调预训练 VLM，学到的是观测、指令、行为之间的关联；换一种视觉外观、空间布局、交互条件，这些关联是否还有用就成了问题。论文的跨环境评测直接给出了证据——被评方法在没见过的环境里任务完成率大幅塌方（见第四节）。

SuperNav 的出发点是一条分工原则：让 MLLM 用它已有的通用能力去解读请求、理解视觉观测、推理下一步动作，而把运动执行外包给导航工具，全程不对 MLLM 做任何导航微调。这个思路借鉴了通用 computer-use agent 的成功经验——harness 支撑持续的工具调用与上下文管理。于是「适配新请求、新场景」不再靠改模型或改流水线，而靠 MLLM 在运行时自己选择、组合可用能力。

二、Harness 的三块积木：Agent 循环、面向 agent 的工具、Navigation Skills

图2（论文 Fig.2）：(a) Agent 循环为 MLLM 推理维护上下文、Skill 加载与工具调用；(b) Navigation Skills 指导搜索、候选复核、恢复与完成；(c) 面向 agent 的工具支撑观测、运动、目标进度与任务收尾，点导航在几何与学习两类后端之间共享同一套图像空间目标接口。

Agent 循环把请求、视觉观测、交互历史组织成一个持续推进的过程。初始化打开会话、返回第一帧观测，MLLM 据此解读目标与完成条件；之后每一步，它结合当前上下文与任务进度，在「观测、移动、更新目标状态、读 Skill」之间选一个操作。工具返回与检索到的指令进入上下文，供下一步决策——执行反馈因此能真正改变计划：靠近一个候选后，MLLM 检查新图像、判断它是否满足请求，要么记录完成、要么继续找。

长程执行要求局部决定与早期证据、未完成目标保持连接。目标记录维护「待找/已找到」清单，文本交互历史保留看过的区域、候选线索、失败尝试。为控制不断膨胀的图像上下文，harness 采用只剪媒体的策略：一张图像一旦被处理、被更新的观测取代，就从后续请求里移除其媒体载荷，但保留文本历史、任务状态与图像路径，MLLM 需要时可以回工作区取旧图。这样既省了重复传图，又不丢证据。

面向 agent 的工具是 MLLM 决策与可执行环境操作之间的桥。工具集覆盖初始化、观测、转向、视觉点导航、目标进度管理、收尾。设计原则是「输入让 MLLM 好填、返回对下一步决策有用、目的地表示在各运动后端间保持一致」。核心观测—运动接口把这两条原则落到实处：一次观测返回相对机器人航向标记为 front / right / back / left 的四张 RGB 图；MLLM 通过

$$\mathrm{PointNav}(d,\,[u,v]),\qquad u,v\in[0,1] \tag{1}$$

选定目的地，其中 $d$ 指认视图，$[u,v]$ 是从该图左上角归一化的水平、垂直坐标。Agent 可以点候选物体，也可以点可见地面，用于接近目标或换取新视角。工具在内部执行移动，并返回新的四视图、执行状态与简明诊断；转向工具返回同类型反馈。于是「选点」与「视觉复核」被直接连起来，不必每次移动后单独再调一次观测。

可替换的运动后端是视觉点接口的红利：选点与执行机制解耦。几何后端（Geo-based Executor）用深度、相机标定与位姿把选中的像素关联到环境位置，再规划并跟随一条到可达目标的路径；仿真用渲染深度与导航网格，真机用感知几何与定位。学习后端（Learned Executor）受 NoMaD 的目标条件生成式策略启发，但把「目的地图像目标」换成「参考观测上的标记点」，从选中的图像—点对与近期 RGB 观测预测局部位移增量与停止信号。两个后端都接受视觉目的地、都返回带执行反馈的观测，因此 Agent 的决策工作流完全不变。

Navigation Skills把可复用的导航经验组织成 MLLM 按需读取的程序性指导。每个 Skill 是一个 Markdown 包，描述适用情形、要检查的证据、推荐步骤与链接引用；整捆包含主导航 Skill、按后端的工具使用说明、以及探索/恢复/入口搜索等引用，覆盖搜索、恢复、完成三类反复出现的决策。harness 暴露 Skill 的名字与描述供 MLLM 发现，再把它或它的引用加载进决策上下文。关键是：Skill 只通过进入上下文来影响决策，不增加环境能力、也不在程序上强制动作序列或语义判断——每一步操作仍由 MLLM 依据当前请求与反馈自己选。

flowchart TD
    REQ[human request] --> INIT[open session and first 4-view observation]
    INIT --> LOOP{agent loop}
    LOOP -->|read| SKILL[Navigation Skills markdown guidance]
    SKILL --> LOOP
    LOOP -->|observe| OBS[4-view RGB front right back left]
    OBS --> LOOP
    LOOP -->|PointNav d u v| NAV[motion backend]
    NAV --> GEO[Geo-based Executor depth and navmesh]
    NAV --> LEARN[Learned Executor flow policy]
    GEO --> FB[new 4-view plus status and diagnostics]
    LEARN --> FB
    FB --> LOOP
    LOOP -->|update| PROG[goal progress pending or found]
    PROG --> LOOP
    LOOP -->|prune media only| CTX[context keeps text history state image paths]
    CTX --> LOOP
    LOOP -->|judge satisfied or blocked| CLOSE[termination tool closes session]

三、判定口径：什么叫「到了」，什么叫「完成」

实例级任务的到达判据是导航网格测地距离。对目标 $g$，设 $V_g$ 为其批准的视点集合，$d_{\mathrm{nav}}$ 为场景导航网格上的最短测地距离，位置 $p$ 处到达要求

$$\min_{v\in V_g} d_{\mathrm{nav}}(p,\,v) < 1\,\mathrm{m}. \tag{2}$$

单目标成功要求最终保存位置满足该测试并显式 STOP；多目标成功要求保存的轨迹位置按顺序满足各目标、随后显式 STOP，早期目标不必仍留在终点附近。评测在每阶段用 Habitat 的 MultiGoalShortestPath 检查完整批准视点集，不在保存位置之间插值；初始位置可以满足某个目标，一个位置也可以连续满足多个阶段。评分在执行之后进行，不作为策略反馈返回——这一点把「评测」与「策略能看到的信号」严格分开。

SPL 的参考路径用数据集自带的全局参考：多目标任务按固定目标顺序、在批准视点上的最短路线，用动态规划算出；单目标任务局部与全局参考重合。参考到达视点位置本身，不缩短到 1 m 到达区域；当参考长度非零时分子封顶使 SPL 不超过 1。所有方法在每个任务上共享同一参考，SR 与 SPL 在每套 150 个任务上平均；失败任务 SPL 记 0。

四、Learned Executor：把「图像里一个点」变成一串局部位移

图3（论文 Fig.6）：Learned Executor 架构。固定参考图像上选中的点与有界、年龄感知的 RGB 历史融合；策略预测位移增量与停止分数；执行器把增量转成运动并返回新观测供重规划。

一个局部请求指定一张参考 RGB 图 $I^{\mathrm{ref}}$ 与一个归一化像素 $q\in[0,1]^2$，二者在整个请求期间保持不变，而当前观测 $I_t$ 随运动变化。图像缩放到 $224\times 224$，在 $q$ 处画一个带中心点的红环得到 $\widetilde{I}^{\mathrm{ref}}=\mathrm{Mark}(I^{\mathrm{ref}},q)$；用 ImageNet 统计归一化后，由共享的 DINOv2 ViT-S/14 骨干 $\phi$ 编码，产出 384 维全局特征。观测投影与目标 MLP 产出 256 维 token：

$$z_i = W_o\,\phi(I_i),\qquad g_t = \mathrm{MLP}_g\!\left([\phi(I_t);\ \phi(\widetilde{I}^{\mathrm{ref}})]\right). \tag{3}$$

目标 MLP 的维度为 $768\to 256\to 256$，线性层之间夹一个 ReLU。$g_t$ 把当前特征与标记参考特征拼起来，于是固定目的地与当前视角的关系仅由 RGB 输入建立，不需要深度或网格。

机器人一动，选中的目的地可能离开当前视野，早期观测就成了有用上下文。在观测索引 $t$ 处选一个历史索引集 $\mathcal{S}_t$，含初始帧与当前帧，$K_t=|\mathcal{S}_t|\leq 12$。选取从步长 2 的序列加当前帧开始；超预算时反复对较老的一半做稀释、保留端点，从而在整个局部请求内保留观测、且越靠近现在采样越密。因为被选帧不等间隔，用投影正弦嵌入 $\psi$ 编码每帧年龄：

$$h_i = z_i + \psi(t-i) + e_o,\qquad c_t = \mathrm{Mean}_{\mathrm{valid}}\!\left(\mathrm{Transformer}\big([\{h_i\}_{i\in\mathcal{S}_t};\ g_t+e_g]\big)\right). \tag{4}$$

图4（论文 Fig.7）：可变长度视觉记忆。每行在共享观测索引轴上列出所有步长 2 候选；彩色为本次融合选中，灰色本轮省略但仍留在历史里。对较老候选半区反复稀释，把输入限制在最多 12 个观测：$t=8,24,60$ 时分别选 5、10、11 帧。

融合用一层宽 256、前馈 1024 的四层四头 Transformer；padding 不参与注意力与池化，目标 token 参与均值。推理时投影图像特征在加年龄嵌入之前缓存，于是被选帧可以带着更新后的年龄复用。12 观测预算作用于每次融合，特征缓存则保留局部请求内更早的观测。

策略预测 8 个二维位移增量，全部在预测时刻的机器人坐标系下表达（前为 $x$、左为 $y$）。设 $P$ 为专家地平面位置、$T$ 为目标帧索引、$R_t$ 为世界平面位移到 $t$ 时刻机器人坐标系的变换，归一化训练目标为

$$A_k = \mathrm{clip}\!\left(\frac{R_t\big(P_{\min(t+k,\,T)} - P_{\min(t+k-1,\,T)}\big)}{0.25\,\mathrm{m}},\ -1,\ 1\right),\quad k=1,\ldots,8. \tag{5}$$

clip 逐分量进行，终点之后的增量置零。预测乘 0.25 m 即得米制位移增量；在固定预测坐标系下累加即得相应相对路点。一个一维 U-Net 以融合视觉表征 $c_t$ 为条件生成增量序列；按 flow matching，在归一化序列 $A$ 与高斯噪声 $\epsilon$ 之间插值并回归对应流速度：

$$x_\tau = (1-\tau)A + \tau\epsilon,\qquad \mathcal{L}_{\mathrm{flow}} = \frac{1}{16}\,\mathbb{E}\!\left[\left\|v_\theta(x_\tau,\tau,c_t) - (\epsilon - A)\right\|_F^2\right], \tag{6}$$

其中 $\tau\in[0,1]$，系数 $\tfrac{1}{16}$ 对序列分量取平均；流网络内部接收重缩放后的时间。为做无分类器引导，10% 的训练样本把目标 token 换成学到的 null token、但保留观测历史。另有独立头从 $c_t$ 预测停止概率 $p_t$ 与辅助剩余步数估计 $\hat r_t$；监督用专家观测索引间隔 $r_t=T-t$ 与停止标签 $y_t=\mathbf{1}[r_t\leq 2]$（间隔含转向原语）。总目标为

$$\mathcal{L}_{\mathrm{flow}} + 0.5\,\mathcal{L}_{\mathrm{stop}} + 0.002\,\mathcal{L}_{\mathrm{remaining}}, \tag{7}$$

停止用正类权重 3 的二元交叉熵，剩余间隔用平方误差。训练 45,000 步、全局批 256、AdamW，策略层学习率 $10^{-4}$、预训练视觉骨干 $10^{-5}$，权重衰减 $10^{-6}$，500 步 warmup 后余弦衰减；bfloat16 混合精度、梯度范数裁剪 1、EMA 衰减 0.999；视觉骨干与策略联合微调，推理用平均权重。

闭环执行时，新目标先保存参考图并把机器人对齐到该视图的采集方向。每次重规划从 $x_1\sim\mathcal{N}(0,I)$ 出发、走四步 Euler：

$$x_{\tau-1/4} = x_\tau - \tfrac{1}{4}\,v_{\mathrm{guided}}(x_\tau,\tau,c_t),\qquad v_{\mathrm{guided}} = v_u + 2\,(v_c - v_u), \tag{8}$$

其中 $v_c$ 保留目标 token、$v_u$ 用 null 目标配同一观测历史。执行器从 16 条采样序列里按「端点方向一致性 + 路径直度」选一条；选中的增量乘 0.25 m 后通常只执行前三个增量，每个增量的方向与长度决定航向变化与行进距离，由仿真适配器拆成「先转后走」的原语序列。随后取新 RGB 观测、朝同一参考目标再预测一轮。当 $p_t\geq 0.1$ 在至少连续两次重规划调用上成立、且运动进度条件满足时，确认局部停止；该条件要求（i）累计至少执行 4 个原语、且当前连续段内自首个超阈预测起至少 3 个，或（ii）上一周期未执行原语。低于阈值的预测会重置连续段；辅助剩余步数估计不参与停止门控。

五、实验：四类任务、两种后端、一张真机

主实验用 GPT-5.6 Terra 配 Geo-based 或 Learned Executor，报告 SR(%) 与 SPL(0–1)。Habitat-GS 与 AI2-THOR 上对比 NaVid、UniNaVid、StreamVLN 与 OmniNav 的 Action Former，各基线保留原生输入与历史机制（表 2 给出其观测配置）。仿真侧 Habitat-Sim 提供 $640\times 480$ RGB-D、水平视场 $90^\circ$、相机高 1.25 m；InteriorGS 评测中 MLLM 收到的图像为 $256\times 192$。Geo-based Executor 默认 standoff 0.7 m、候选吸附距离上限 0.75 m、follower 目标半径 0.3 m、200 步 follower——这些局部执行上限与基准成功阈值是两回事。

表 1（论文 Table 1）：单目标 / 多目标 / 需求驱动导航结果。实例任务用视点测地距离 <1 m；需求驱动用 2 m 包围盒区域；括号内为任务数。

方法	单目标 SR	单目标 SPL	多目标 SR	多目标 SPL	需求驱动 SR	需求驱动 SPL
NaVid	24.67	0.1599	2.67	0.0216	17.00	0.0920
UniNaVid	34.00	0.1833	1.33	0.0131	25.00	0.0943
StreamVLN	13.33	0.1036	0.00	0.0000	25.50	0.0775
OmniNav (Action Former)	27.33	0.2133	4.00	0.0275	37.50	0.1213
SuperNav + Geo-based	78.00	0.4127	34.00	0.1388	59.50	0.1801
SuperNav + Learned	68.00	0.2059	34.00	0.0862	45.00	0.1603

图5（论文 Fig.3）：仿真中的有序多目标导航。Agent 依次拜访洗衣机、盆栽与麻将桌。

单目标上 Geo-based 的 78.00% 对最强基线 34.00%，是 2.3 倍；需求驱动上 59.50% 对 37.50%。多目标上两种后端 SR 相同（34.00%），但 Geo-based 路径更高效（SPL 0.1388 对 0.0862）。有序进度（论文 Table 4）显示 SuperNav 在多目标每个阶段都领先：SR5 上 Geo-based 39.47%、Learned 34.21%，而四个基线全为 0.00——基线在第五个目标上完全失效，说明「按序完成长链条」正是端到端微调方法的软肋。需求驱动侧 Geo-based 在前五个阶段领先（SR5 24.32%），但六阶段及以上无人完成： eligible 任务里六/七/八阶段分别只有 3/2/1 个，长序列仍是开放问题。

表 2（论文 Table 2 节选）：HM3D 类别级导航。阈值为最终位置到最近目标视点的最短可导航路径距离；外部条目为已发表结果。

方法	OVON 0.25m SR	OVON 0.25m SPL	OVON 1m SR	OVON 1m SPL	HM3Dv2 0.2m SR	HM3Dv2 1m SR
MTU3D	40.80	0.1210	—	—	—	—
SoftNav	66.70	0.2570	—	—	—	—
AstraNav-Memory	—	—	62.50	0.3490	—	—
ApexNav	—	—	—	—	76.20	—
MSGNav	—	—	—	—	—	74.10
SuperNav + Geo-based	68.33	0.3837	73.33	0.4105	80.30	86.50
SuperNav + Learned	65.00	0.1355	70.83	0.1443	79.00	85.40

在 120 集 HM3D-OVON val-unseen 上，SuperNav 不做任何 OVON 专用训练或适配，1 m 阈值拿到 73.33% SR / 0.4105 SPL，0.25 m 阈值 68.33% / 0.3837。Learned Executor 保住了大部分成功率但丢路径效率（SPL 0.1355 / 0.1443）。论文特意说明：MTU3D、AstraNav-Memory 与 OmniNav 慢系统的 A-star 分支，用的正是与 Geo-based Executor 同源的导航网格路径查询 + follower 机制，因此主对比选 Geo-based；而已发表结果的评测子集与协议与本文不同，横向读数需谨慎。

表 3（论文 Table 3 + Table 6）：OVON 消融与交互统计。每变体 120 集、GPT-5.6 Terra (high)，除非注明；Table 6 的均值含全部 120 集（成败都算）。

变体	0.25m SR	0.25m SPL	1m SR	1m SPL	调用数	其中导航	转向	路径(m)
w/o Navigation Skills	35.00	0.2460	54.17	0.3894	7.43	5.33	0.10	7.56
w/o Agent-oriented Tool Design	52.50	0.2230	65.83	0.2855	30.28	10.72	17.56	23.60
w/o Skills and Tool Design	31.67	0.1870	54.17	0.3417	15.37	5.61	7.72	10.47
Grounding Motion Tool	55.83	0.3201	62.50	0.3624	—	—	—	—
SuperNav (GPT-6 Astra medium)	71.67	0.4579	79.17	0.4974	—	—	—	—
SuperNav (GPT-5.6 Terra high)	68.33	0.3837	73.33	0.4105	11.17	8.76	0.41	16.44

消融读出了三条清晰的结论。其一，去掉 Navigation Skills 的杀伤力大于把接口限制为前视：0.25 m 阈值 SR 从 68.33% 掉到 35.00%，而仅前视（保留 Skills）掉到 52.50%——程序性指导比四视图本身更值钱。其二，工具设计与 Skills 互补：保留 Skills 但只给前视时，SR/SPL 下降且显式转向次数暴涨（17.56 对完整版的 0.41），调用数从 11.17 涨到 30.28、路径从 16.44 m 涨到 23.60 m——Agent 被迫用「转一圈」代替「直接看」。其三，外部语言接地不如 Agent 自己点：基于 LocateAnything 的 Grounding Motion Tool（55.83% / 62.50%）低于直接点选（68.33% / 73.33%）。最后是模型可替换性：harness 不动、把 Terra(high) 换成 Astra(medium)，SR 与 SPL 反而都升（71.67% / 79.17%），说明这套 harness 与决策模型是解耦的。

图6（论文 Fig.5）：Unitree Go2 真机导航。机器人搜索 (a) 一个篮球、(b) 另一台 Go2，并 (c) 先拜访打印机再拜访垃圾桶。

真机侧，Go2 用四个方向 RGB 相机加机器人自带 LiDAR 与里程计做几何执行：相机内参、安装外参与观测对应的机器人位姿把图像空间目标关联到 LiDAR 地图；体素栅格地图把 LiDAR 累积成基于高度的二维通行代价图，体素与栅格分辨率默认 0.05 m；ReplanningAStarPlanner 规划路径，前视 follower 用比例航向控制以 10 Hz 输出线速度/角速度指令；定位直接用机器人上报里程计，软件里没有额外的闭环 SLAM。SuperNav 在被堵通道处改线、复核目标、在目标间切换，验证了 harness 从仿真到真机的可迁移性。

六、运行时：Codex CLI + MCP，以及一组硬超时

Agent 循环用 Codex CLI 实现，环境操作通过 MCP 暴露。每个非交互 Codex 进程带任务专属工作目录与 CODEX_HOME 启动，内含配置、Skill 快照与日志；原生 Skill 加载需要文件系统读，执行用 danger-full-access 并关闭交互审批。指令层要求只读访问规定 Skill 包、场景感知与动作必须走 MCP 工具，禁止用文件系统或 shell 窥探场景资产、真值标注、轨迹与评测元数据；MCP 白名单限制暴露的环境工具。基准配置设 3,600 s 每次 Codex 执行、180 s MCP 启动、300 s 每次工具调用；harness 只在成功收尾后接受 hab_close_session 的 achieved/blocked 结论，缺失或失败收尾单独记录，批处理 runner 在继续下一任务前处理超时等异常。Skill 快照清单记录文件清单、文件哈希与整捆哈希，安装或复用前校验；可见性探针校验被发现的名字、描述与源路径，失败即阻断启动。

七、局限与风险

作者自述的局限。SuperNav 的语义判断完全依赖底层 MLLM，因此被其能力上限锁死；几何执行依赖可得地图或场景几何；MLLM 推理带来计算开销与显著的时延波动，使任务时长难以预测；需求驱动评测度量的是「按序导航到相关目标」，而非底层活动本身的完成；扩展到更多真机场景、提升长导航序列的可靠性是未来方向。

本文视角的补充局限。其一，多目标与长链条仍是明显短板：多目标 SR 仅 34.00%（即便单目标 78.00%），需求驱动六阶段及以上全部为 0——harness 解决了「判断」的泛化，但没有解决「长程序贯执行」的可靠性，进度记账越往后越容易漂。其二，成本与可复现性：每个 episode 预算 3,600 s、决策走商用 MLLM API，评测的重放成本与供应商耦合度高；论文自己也承认时延波动使任务时长不可预测，这对真机部署是实打实的工程障碍。其三，横向对比的协议异质性：HM3D 表里外部结果的子集、阈值、步数预算各不相同（500/2000/4000 动作、0.25/1/0.2 m），论文虽做了说明，但单表读数仍易被误读为同协议对比。其四，真机部分只有定性演示（图6），没有真机定量基准，几何后端对 LiDAR+里程计的依赖在无结构户外场景是否成立未经验证。

八、代码与可复现性

仓库 zju3dv/SuperNav 提供 agent 运行时、导航工具与 Skills、实验配方与评测工具，面向 Habitat-GS 与 AI2-THOR；CLI 为 supernav，内置浏览器 demo（supernav web --demo）。发布清单已勾选：运行时/工具/Skills/配方/评测、Learned Executor 权重（HuggingFace the0xka1/SuperNav-Learned-Executor）、InteriorGS 单/多目标测试集（yyh929/HabitatGS-Benchmark，各 150 集带参考轨迹）；未勾选：AI2-THOR 需求驱动基准、真机部署（仓库无真机驱动）。 bundled 配方默认用 gpt-6-astra + medium 推理；任务清单与真值与源码包分开分发。对想复现主表数字的读者，注意 InteriorGS 场景资产需从 spatialverse/InteriorGS 另取并做转换，Habitat 需独立 venv 装 CUDA SDK。

九、总结

SuperNav 的贡献不在某个更强的导航模型，而在一条清晰的职责划分：把「解读请求、理解场景、做决定」留给预训练 MLLM 的通用能力，把「移动」下沉为可替换的工具，再用视觉点接口、进度记账、上下文剪枝与 Markdown Skills 把两者缝合成一个能持续工作的 agent。它用 78.00% / 59.50% / 73.33% 三组数字说明：不做导航微调，也能在实例级、多目标、需求驱动与类别级任务上全面超过微调派与模块化派；用 Astra 替换 Terra 仍涨点说明 harness 与模型解耦；用 Go2 真机说明接口从仿真到现实可迁移。它同时诚实地暴露了长程序贯执行与 MLLM 时延这两道还没跨过去的坎——而这恰恰是 agentic 导航下一步真正的主战场。

金句

「Our key insight is to let the MLLM focus on interpreting requests, understanding scenes, and making decisions while preserving its general-purpose capabilities and delegating motion execution to navigation tools.」——把判断留给通用模型、把移动交给工具，是 SuperNav 全部设计的原点。