**ACT3D：让视觉语言模型在 3D 世界中自主思考与探索**

_Learning to Think and Explore in 3D World_

> 研究提出 ACT3D 框架，使视觉语言模型（VLM）无需多视图输入，仅通过单帧图像即可在 3D 环境中自主探索。该模型结合强化学习，根据最终答案的正确性奖励来驱动探索策略，无需直接监督具体视角。实验表明，ACT3D 在六个 3D 基准测试中平均准确率达 53.2%，超越 Gemini 3.6 Flash，且相比基座模型提升 22.0%，同时大幅减少输入帧数并具备跨域泛化能力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-19 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.21783)