视觉语言导航（VLN）模型的任务是从视觉输入（如RGB图像/视频）和语言指令（如“向右转，走到绿色地毯”）预测导航动作（如前进、左转）。作用：将视觉输入（图像/视频）编码为特征向量（称为视觉token），提取场景中的语义信息（如物体、地标）。作用：将语言指令编码为特征向量（语言token），提取指令的语义和逻辑（如“向右转”对应转向动作）。形式：RGB图像（单帧，如R2R数据集）、视频序列、深度图

推理报警The attention mask is not set and cannot be inferred from input because pad token is same as eos token. As a consequence, you may observe unexpected behavior. Please pass your input's attention_ma

视觉语言导航（VLN）模型的任务是从视觉输入（如RGB图像/视频）和语言指令（如“向右转，走到绿色地毯”）预测导航动作（如前进、左转）。作用：将视觉输入（图像/视频）编码为特征向量（称为视觉token），提取场景中的语义信息（如物体、地标）。作用：将语言指令编码为特征向量（语言token），提取指令的语义和逻辑（如“向右转”对应转向动作）。形式：RGB图像（单帧，如R2R数据集）、视频序列、深度图