ACT3D：VLM在3D空间中学习思考与探索

2026年10月16日，arXiv Computer Vision 刊出论文，提出让视觉语言模型（VLM）在3D世界中学习思考与探索的方法 ACT3D。据该报道，研究让 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 先经轨迹监督微调，再用结果正确性驱动的强化学习训练。报道称，在六个 3D 基准上，ACT3D 平均准确率为 53.2%，较基座 Qwen 模型提升 22.0%，并超过 Gemini 3.6 Flash，同时输入帧数少 50-70%。上述数据与结论均来自该论文报道本身，为其自述结果。目前尚无后续跟进报道，事件进展以该篇报道为准。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。