视觉语言导航（VLN）过去的研究，基本是一个智能体跟着一条指令走。可仓库、救援、配送这些真实场景，从来不是单人任务——是一队机器人分头行动、互相让路、共享一张地图。9 月 28 日提交的论文 Systematic Multi-Agent Vision-and-Language Navigation（arXiv 2609.35965，作者 Yunzhe Xu 与 Zhe Liu）做了一件基础但缺位的事：把「多智能体 VLN」正式立项成一个带约束的协调问题，并给出基准与方法两套交付物。
论文的形式化是它最值钱的部分。它把一次任务定义成一堆带依赖和资源约束的子任务：有些状态要求多个智能体「同时到场」（存在锁），有些物体被占用时会让后续步骤互相阻塞（持有链）。这不再是「一个智能体跟一条指令」，而是「一支队伍解一幅带锁的拼图」。基于此，作者用一套经过验证的四阶段构造管线，实例化出 MAVLN 基准：145 个场景、最多四人队伍、三种指令体制，共 11724 段剧情，并配了约束感知的评测指标。没有这套形式化，多智能体导航只能停留在演示，没法横向比高低。
为什么「形式化」这件事重要？因为具身多智能体长期缺一个公平的擂台：各家自己造场景、自己定指标，结果没法对话。MAVLN 把任务类型、约束种类、队伍规模、评测口径一次钉死，后来者只要在这个擂台上跑，就能说清自己强在哪。对学术圈，这是把一块散装方向收拢成学科的动作；对产业界，它暗示了下一个十年仓储、配送、巡检机器人要解决的，不是「单个更聪明」，而是「一群怎么不撞、不乱、不漏」。
方法侧，作者给出 TRISS 这个开箱即用的协作导航系统。它有三块：一个 LLM 子任务调度器负责把任务拆开并派活；一块共享拓扑记忆，让任一智能体的探索都变成全队的常识；再加一个冲突感知执行机制，把多个智能体同时冒出来的意图，落成互不碰撞的路线。这个结构和 Frontier Autolab 那篇讲的「组织记忆」异曲同工——都把「记忆该存什么」当成决定系统性格的旋钮，只不过一个在软件组织、一个在物理队伍。
实验的结论很克制：TRISS 是当前较全的基线，但调度、规划、执行三个环节都还有明显改进空间。这恰恰是这类基准该有的姿态——它不宣称解决，而是把差距清楚地标出来，等后来者填。作者也坦言，约束感知指标虽比粗粒度成功率更细，但仍未覆盖真实部署里的通信带宽、能源、故障恢复等现实成本。换句话说，MAVLN/TRISS 是块扎实的起跑线，不是终点线。
把它和同批其他论文放一起看，一条暗线浮现：2026 年的智能体研究，正从「单体能力」集体转向「协调结构」。CTWM 管单体的记忆形状，Frontier Autolab 管模拟组织的长期记忆，MAVLN/TRISS 管物理队伍的实时协调——三篇都在回答「怎么让一群智能体不内耗」。对做机器人或多智能体系统的团队，MAVLN 的提醒是：先别急着堆更大模型，先把任务拆成带锁的拼图、把探索变成共享记忆，协作的坑往往不在感知，而在谁该在何时去哪。
落到工程落地，MAVLN/TRISS 目前仍在仿真里验证，真实仓库里的通信延迟、传感器噪声与机器人故障，都会让那些约束比论文设定更脆。对想做多机协作的团队，务实的起步是先固化「任务拆图」与「共享地图」这两层基础设施，再把大模型调度作为可替换的上层来用——这样即便底层模型换代，协作骨架也不至于推倒重来，也能在真机出问题时更快定位是地图错了还是调度错了。