ACT3D：通过强化学习让视觉语言模型在 3D 环境中学会思考与主动探索

ACT3D 通过强化学习训练视觉语言模型从单张第一人称视角主动探索 3D 环境，以最终答案正确性作为奖励信号，无需对探索路径做直接监督。在六个 3D 基准上平均准确率达 53.2%，相对基座 Qwen 模型提升 22.0%、超过 Gemini 3.6 Flash，输入帧数比现有开源 3D 方法少 50-70%，并在未见过的领域平均提升 5.9%。