ACT3D 学会在 3D 世界中推理与探索
一项研究介绍了 ACT3D：一种每次使用一张渲染图像来探索 3D 环境的视觉语言模型。模型会逐步导航，并通过强化学习进行训练；奖励主要取决于最终答案是否正确，而不是直接指导模型选择哪些视角或采取哪些动作。在六项 3D 基准测试中，ACT3D 的平均准确率达到 53.2%，比其 Qwen 基础模型高 22 个百分点。研究人员还称，该模型的表现超过 Gemini 3.6 Flash，且比现有开源 3D 方法少用 50% 至 70% 的输入帧。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。