ACT3D：用强化学习让视觉语言模型在 3D 环境中主动探索

论文提出 ACT3D，通过强化学习训练视觉语言模型从单张第一人称视角图像出发，主动在 3D 环境中导航探索后再作答，且不对探索路径或动作提供直接监督。在六个 3D 基准上平均准确率 53.2%，比基座 Qwen 模型提升 22.0%，超过 Gemini 3.6 Flash，并在输入帧数减少 50-70% 的情况下优于现有开源 3D 方法。