看向何处：基础模型能否通过主动探索到达目标视角？

本文提出目标视角复现（TVR）任务及基准 TVRBench，评估基础模型在 3D 环境中通过主动调整视角以匹配目标图像的能力。研究发现现有模型在处理多轮视觉历史及身体平移时存在显著瓶颈。为此，作者构建了统一的后训练框架，涵盖专家轨迹微调、思维链监督及多轮强化学习。实验表明，视觉 - 动作微调与多轮强化学习显著提升了模型成功率，确立了 TVRBench 作为衡量和训练具身主动感知模型的重要测试平台。