点开是因为标题里那个 explore。现在做 3D 问答，大多是把点云、多视角图或者视频整个塞给模型。这篇反过来，模型每次只看眼前一张渲染图，想看别处就自己发动作，往前走一米、左转 30 度，环境再渲染新图回来，看够了再答。Qwen3.5-9B 先做轨迹 SFT，再上 GRPO，奖励主要看答案对不对。

六个 benchmark 平均 53.2%，同一套交互协议下 Gemini 3.6 Flash 是 52.2%，没训过的 base 只有 31.2%。

让我挺兴奋的是他们把 ScanQA 的题按“得走多远才看得到目标”分了组，这个距离按几何算，跟模型实际怎么走没关系。初始画面就能答的题，SFT 加 RL 一共只涨 0.6%；需要大范围探索的那组涨了 16.3%，其中 RL 单独贡献 10.9%。它确实学会了该多走的时候多走几步 😄

交互奖励的设计也挺巧。只有答对才给，只要某个视角里出现了题目问的那个物体，直接给满，之后再走不加分，钱只付给证据。拿掉这项奖励对比，交互次数从九到十次降到五六次，held-out 的 SPBench-MV 掉 6.4%，训练域倒是略高 0.3 到 2.3 个点。

另外相机不做碰撞检测，可以直接穿墙。

论文：https://arxiv.org/pdf/2610.21783

#人工智能 #大模型 #论文 #强化学习 #计算机视觉