Three-Step Nav：三步视觉导航法让大模型不再迷路

多模态大模型驱动的视觉语言导航（VLN）智能体常面临偏离路线、提前停止等问题。Three-Step Nav提出"向前看-看当下-向后看"三步协议，无需微调即可实现零样本状态下的最优性能，有效解决现有VLN智能体的核心痛点。

视觉语言导航是具身智能领域的挑战性任务，需语言理解、视觉感知等多能力协同。多模态大语言模型（MLLM）为VLN带来新曙光，但当前零样本VLN智能体存在三大问题：易偏离路线、提前停止、成功率低，根源在于MLLM缺乏对导航特有风险（如累积漂移、目标混淆）的针对性建模。

现有VLN方法多采用"单帧决策"短视策略，难以应对长程依赖。Three-Step Nav受人类导航启发（全局规划→局部对齐→漂移修正），将其形式化为"向前看-看当下-向后看"三步协议，解决长程决策问题。

1. 向前看：提取关键路标，构建粗粒度全局计划，建立全局锚点避免局部迷失；2. 看当下：将当前观测与下一个子目标对齐，基于全局规划做有上下文的局部决策；3. 向后看：停止前回顾轨迹，检查是否到达目标，抑制提前停止错误。

Three-Step Nav无需微调或梯度更新，可即插即用集成到现有VLN管道。通过提示工程和结构化推理挖掘现成MLLM潜力，避免昂贵的数据标注和模型训练成本，适配多样VLN任务场景。

Three-Step Nav在R2R-CE（英语）和RxR-CE（多语言）连续环境数据集上评估，成功率、SPL（路径效率加权成功率）、导航误差等指标全面超越之前零样本方法，部分指标接近监督学习方法，验证三步协议有效性。

启示：纯提示工程+结构化推理可显著提升大模型特定任务表现；三步范式可推广到长程决策任务（如机器人操作）。未来方向：在线学习自适应路标提取、显式空间记忆模块、多智能体协作。开源代码（https://github.com/ZoeyZheng0/3-step-Nav）降低落地门槛。