研究人员开发了ACT3D,一种新颖的方法,使视觉语言模型(VLMs)能够利用强化学习主动探索3D环境。与以往的方法不同,ACT3D学习从单一第一人称视角进行导航和收集视觉信息,模仿人类探索而无需对探索行为进行直接监督。该方法显著提高了在3D基准测试中的答案准确性,其表现优于其基础Qwen模型以及Gemini 3.6 Flash等专有模型,同时使用的输入帧也更少。 AI
影响 使VLMs能够在3D环境中学习有效的探索策略,有望提高机器人和具身AI应用的性能。
排序理由 该集群包含一篇详细介绍训练视觉语言模型新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →