# \#vision-language-action **URL:** https://discuss.pytorch.kr/tag/vision-language-action/9054.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [LightNav-0: 깊이 센서 없이 전방 RGB 카메라 하나로 여러 로봇을 움직이는 4B 내비게이션 모델](https://discuss.pytorch.kr/t/lightnav-0-rgb-4b/11837)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [9월 7, 2026, 7:00오전 UTC](https://discuss.pytorch.kr/t/lightnav-0-rgb-4b/11837 "2026-09-07T07:00:56Z")
LightNav-0 소개 로봇에게 "앞쪽 왼편 벤치로 가서 멈춰"라고 말하는 일은 사람에게는 한 문장이지만, 로봇 쪽에서는 서로 다른 부품 여러 개를 거쳐야 하는 작업입니다. 지금까지의 내비게이션 시스템은 지시를 따라가는 작업, 이름만 주어진 물체를 찾는 작업, 움직이는 대상을 쫓는 작업마다 별도의 예측 헤드나 전용 모듈을 두었고, 로봇의 몸체가 바뀌면 그 부품을 다시 맞춰야 했습니다. 인식과 추론, 행동이 이렇게 쪼개지면 학습한 장면을 벗어났을 때 일반화가 잘 되지 않습니다. 사전학습된 비전 언어 모델(Vision-Language Model)이 이미 시각적 지시 대상 찾기와 공간 추론, 가리키기 같은 공간 사전지식을 담고 있는데도, 그 능력이 로봇 제어에 곧바로 쓰이는 경우는 드물었습니다. LightNav-0은 이 문제를 "전용 헤드를 하나 더 만드는" 대신 "이미 있는 비전 언어 모델의 공간 지능을 끌어내 내비게이션에 정렬하는" 방향으로 접근한 모델입니다. Light Origins가 2026년 8월 31일 논문과 함께 공개했고, 백본은 Qwen3-VL (:pytorch::kr: Qwen3-VL: Alibaba Qwen팀이 공개한 더 선명한 시각, 더 깊은 생각, 더 넓은 행동이 가능한 Multimodal LLM) 계열의 Qwen3-VL-4B-Instruct입니다. 내비게이션 전용 모듈은 하나도 붙이지 않고 어휘(vocabulary)만 확장해서, 공간 추론의 흔적과 행동 코드가 모두 백본의 원래 자기회귀 언어 모델 헤드를 통해 나옵니다. 작업이 무엇인지 알려주는 별도의 토큰도 없고, 작업의 의미는 전부 사람이 준 지시문에서만 옵니다. 학습 데이터는 인터넷에서 모은 실제 장면 2,000개 이상을 시뮬레이션 세계로 되돌린 Real2Sim2Real 데이터 엔진에서 나왔고, 그렇게 만든 시각 언어 행동 경험이 4,000시간을 넘습니다. 이 데이터로 체화 추론(Embodied Reasoning) 중간 학습, 체화 지도 미세조정(fine-tuning), …