Act3D：VLM用RL探索3D场景

Act3D 学会在三维空间中思考与探索

给视觉语言模型（VLM）输入一张图像，然后通过仅以结果为奖励的强化学习，让模型自行决定何时以及如何移动相机来收集证据。在六个三维基准测试上平均达到 53.2%，比其 Qwen 基座模型高出 22%，并超过 Gemini 3.6 Flash。