标签
ACT3D 训练视觉-语言模型通过强化学习在 3D 环境中主动探索，仅凭单一第一人称视角即可在六个 3D 基准上达到 53.2% 平均准确率，较基座 Qwen 提升 22.0% 并超越 Gemini 3.6 Flash。