让 VLM 学会在 3D 世界中思考与探索：ACT3D 用结果驱动强化学习习得探索策略

研究让视觉语言模型（VLM）保持单张图像的原始视觉编码，把 3D 表示当作可交互环境，通过动作与渲染观测迭代推理、导航并调整视角后再作答。模型 ACT3D 经轨迹监督微调后用结果正确性驱动的强化学习训练，在六个 3D 基准上平均准确率 53.2%，较基座 Qwen 模型提升 22.0%，并超过 Gemini 3.6 Flash，输入帧数还少 50-70%。