复旦等提出 RSI-Nav：统一视觉语言动作学习让导航模型自我进化

复旦大学等提出 RSI-Nav，用同一个视觉语言模型同时完成指令到动作与轨迹到指令的双向学习，让导航模型自行生成并筛选训练数据。仅用第一视角 RGB 输入，R2R-CE 与 RxR-CE 导航成功率分别达 68.6% 和 72.4%，较 Cold Start 模型提升 15.7 和 17.7 个百分点，R2R-CE 的 SPL 从 45.5% 升至 58.6%。