Act3D가 3D 환경에서 생각하고 탐색하는 방법을 학습합니다

요약

VLM(Visual Language Model)은 단일 이미지를 입력받아 카메라 움직임과 증거 수집 결정을 위해 결과 기반 강화학습(RL)을 사용합니다. 이 모델은 여섯 가지 3D 벤치마크에서 평균 53.2%의 성능을 기록했습니다. 이는 자체 Qwen 기반 모델 대비 높은 향상폭을 보이며, Gemini 3.6 Flash보다 우수한 탐색 능력을 입증했습니다.

핵심 포인트

• VLM이 3D 환경에서 생각하고 탐색하는 방법을 학습함.
• 결과 기반 강화학습(RL)을 통해 카메라 움직임 전략 결정.
• 여섯 가지 3D 벤치마크에서 평균 53.2%의 성능 달성.
• Gemini 3.6 Flash보다 높은 우수한 성능 입증.